图像痕迹隐匿与鲁棒检测系统-DeepFake

项目描述 图像痕迹隐匿与鲁棒检测系统
本项目是”DeepFake 图像伪造痕迹隐匿—鲁棒检测”攻防对抗基准（DeepGuard-Image）。围绕统一的图像检测服务构建攻防场景：攻击方对 DeepFake 图像施加 JPEG 重编码等轻量后处理，在视觉质量基本不变的前提下隐匿伪造痕迹；防御方仅凭图像输出伪造概率，并需同时应对干净样本与攻击后样本。项目在 CPU 上离线、秒级、确定性复现整套评测流程，另附带一个交互式攻防演示网页。

项目功能
合成基准数据：程序化生成 256×256 RGB 人脸图像（真实图 + 注入融合边界痕迹的伪造图），固定种子 42 划分训练集 192 张、测试集 96 张，本地 npz 缓存，无需下载。
攻击方：交付 JPEG 重编码基线，并实现固定攻击池共 7 种（无处理对照、JPEG 重编码、缩放-恢复、模糊-锐化、颜色洗白、频域洗白、隐藏组合攻击），均为纯图像后处理、黑盒查询无关。
防御方：交付频域统计检测器基线（SRM 噪声残差 + 8×8 分块 DCT + 全局 FFT + 颜色统计共 31 维特征，标准化 + 逻辑回归），另有 15 维像素统计检测器。
评测：自动计算 Accuracy、ROC-AUC、EER、攻击成功率 ASR、SSIM、PSNR、鲁棒 AUC 与攻击资格线，结果写入 results/metrics.json。
Web 演示页（app.py + web/index.html）：浏览器中取样、任选攻击方式查看攻击前后对比图与保真指标、切换检测器查看伪造概率变化与攻击成功/失败判定。

运行环境
Windows 系统；Python 3.14；依赖仅 numpy、scikit-learn、scipy、Pillow 四个库；纯 CPU 运行，无需 GPU、无需联网、无需下载任何数据集或模型权重；评测全流程约 30 秒，Web 服务启动初始化约 15 秒。

项目技术
Python 标准库（http.server、json、base64、io）搭建 Web 服务与 API；NumPy 完成图像数组运算与合成数据生成；Pillow 实现 JPEG 编解码、缩放、模糊、锐化等攻击；SciPy 提供 DCT/FFT、高斯卷积与滤波；scikit-learn 的 StandardScaler + LogisticRegression 实现检测器；前端为单文件原生 HTML/CSS/JavaScript，无框架、无 CDN 依赖。攻击、防御、指标计算均封装为统一接口（attack / defend / fit / predict），命令行入口 test.py 支持 attack、defense、all 三个评测阶段。

以上系统源码经过技术整理与调试，确保能正常运行