- 综合排序
- 最热优先
- 最新优先
金融AI多模态伪造防御：腾讯端到端鉴伪体系实践与效果
undefined现有防御体系存系统性困境： 事前感知预见困境：新型威胁情报缺失，缺乏多模态组合攻击（如深度伪造人脸+AI合成语音）推演能力； 事中检测响应困境：检测覆盖率、实时研判（多模态跨渠道 undefined数据来源：腾讯CSIG云与智慧产业事业群2025.12.21分享，分享人：尚朋帅 腾讯金融云，CSIG云与智慧产业事业群 构建端到端多模态鉴伪防御体系 腾讯提供生成式AI多模态内容安全防御体系 ，覆盖事前-事中-事后全流程，含四大核心模块： 风险处置与运营分析：含风险监测与预警、诊断与定性、策略调整、抗风险能力沉淀； 鉴伪模型库：单模态深度鉴伪、跨模态一致性验证、行为序列分析模型； 平衡体验与安全；事中多模态交叉鉴伪（文本+音视频）精准识别深伪；事后周均2次模型迭代持续优化； 远程信贷审核：应用AIGC鉴伪（视频换脸、语音合成）、内容智能质检（黄恐政合规）、多模态交叉校验（融合视频内容及音频语义 技术领先性与实践确定性 Why Tencent： 技术创新：首次将语义大模型LLM融合进人脸模型进行多模态训练，打破传统机械分类；基于20年样本沉淀+策略调优平台，具备跨模态关联分析能力（单模态深度鉴伪
17610编辑于 2026-04-02腾讯AI多模态鉴伪解决方案将攻击拦截率提升至97.74%
，伪造精度达像素级与语义级统一，形成多模态证据链攻击（如证件+人脸+语音协同伪造）。 第二章：腾讯构建动态免疫的多模态端到端防御体系 核心技术组件与创新突破： 多模态交叉验证引擎： 整合图像鉴伪、音频偏差检测、行为序列分析模型，实现时序一致性校验。 动态进化系统： 支持周均2次模型迭代，依赖自建多模态样本库与对抗训练平台。 事中多模态拦截： 首次上线即拦截跨模态伪造攻击案例：攻击者同步使用AI合成语音与Deepfake视频，系统通过口型-语音时序错位识别风险。 伪造攻击识别率：多模态交叉校验对协同攻击识别率达99.2%。
17910编辑于 2026-04-01中国金融生成式AI多模态内容鉴伪与安全防御白皮书(2025)
第一章：报告基础信息 • 报告标题：中国金融生成式AI多模态内容鉴伪与安全防御白皮书(2025) • 发布机构：中国工商银行金融科技研究院、腾讯云计算（北京）有限责任公司、北京金融科技产业联盟 • 发布时间 ：2025年 • 行业标签：泛金融,商业银行 • 产品标签：#AIGC鉴伪, #多模态交叉分析, #动态风控策略引擎, #AI内容安全质检, #风险知识图谱, #多模态样本库 第二章：报告背景和目标 随着生成式 1.4 利用生成式AI的多模态内容伪造成金融安全新挑战 第二章 生成式AI多模态伪造的金融安全挑战详解 2.1 生成式AI多模态伪造攻击原理和场景 2.2 生成式AI多模态鉴伪的关键难点分析 2.3 核心解决方案包括： • 多层次鉴伪模型库：结合单模态深度鉴伪、跨模态一致性验证（如唇音同步、图文逻辑对齐）、行为序列分析及生成模型指纹溯源，突破传统肉眼识别极限。 第六章：为什么选择腾讯云 基于《中国金融生成式AI多模态内容鉴伪与安全防御白皮书(2025)》的实战案例与行业赋能表现，选择腾讯云的核心逻辑在于其突出的技术先进性与深厚的行业积淀： • 具备国际前沿的多模态鉴伪技术
18110编辑于 2026-04-10- 来自专栏API
NFC护照识读鉴伪-小程序app端护照鉴伪
在此背景下，基于NFC+OCR+PKD验签的智能护照识读鉴伪方案应运而生，为金融、边检、酒店、政务等多个行业提供了一站式可信身份验证能力。
24510编辑于 2025-12-22 【探展WAIC】从“眼见为虚”到“AI识真”：如何用大模型筑造多模态鉴伪盾牌
作为WAIC展会现场的亮点之一，合合信息展出了其多项领先的AI鉴伪技术方案——从换脸识别到AIGC图像鉴定，再到票据文档篡改检测，展示了如何借助大模型能力构建多模态、可解释、鲁棒的鉴伪系统。 当前主流的AI鉴伪方法主要围绕图像的底层视觉特征、语义内容合理性以及多模态信息融合展开，从不同层次挖掘图像中的异常线索。2.1、基于视觉特征的鉴伪分析视觉特征分析是识别伪造图像的基础手段。 2.3、多维度交叉验证与融合随着伪造技术日趋复杂，单一检测手段已难以应对当前的鉴伪挑战。因此，现代检测方案普遍采用多模态、多模型融合的策略，以提升系统的鲁棒性与适应性。 合合信息的人脸鉴伪团队同样采用了类似策略，在其检测框架中融合多模态输入与多模型路径，聚焦图像的不同特征维度进行交叉验证。 合合信息展示的多模态、大模型鉴伪解决方案，正是为应对这场“真假攻防战”而生。从换脸视频识别到AIGC图像鉴定，从证件篡改检测到跨模态融合验证，AI不再只是伪造的帮凶，更正在成为守护真实性的核心力量。
74621编辑于 2025-08-11- 来自专栏我爱计算机视觉
EMNLP 2021-多模态Transformer真的多模态了吗？论多模态Transformer对跨模态的影响
Motivation 视觉语言BERT模型扩展了BERT架构，以生成多模态输入的跨模态上下文表示。当对一系列下游任务进行微调时，这些模型已被证明是非常有效的。 如果测试过程中，去除某个模态的信息，对最终结果影响很大，那这个模态在最终预测的时候就是有用的；否则这个模态就是没用的。 多模态模型在预测时使用由多模态输入触发的跨模态激活。 这是原始的多模态设置，因此，有效使用多模态信息的模型应该表现最好。 Object： 在这里，作者只删除与对齐的文本短语相对应的图像区域，该模型仍然可以使用周围的视觉上下文特征 。 测试的模型显示了vision-for-language，而不是language-for-vision的结果，这一事实可能是多模态任务的积累，因为一些下游多模态任务需要强烈的 vision-for-language ▊ 作者简介 研究领域：FightingCV公众号运营者，研究方向为多模态内容理解，专注于解决视觉模态和语言模态相结合的任务，促进Vision-Language模型的实地应用。
2.5K20发布于 2021-09-28 - 来自专栏存内计算加速大模型
腾讯发表多模态综述，什么是多模态大模型
多模态大语言模型（MLLM）是近年来兴起的一个新的研究热点，它利用强大的大语言模型作为大脑来执行多模态任务。 在本文中，追踪多模态大模型最新热点，讨论多模态关键技术以及现有在情绪识别上的应用。 ，并且提供了现有主流的 26 个多模态大模型的简介，总结了提升多模态大模型性能的关键方法，多模态大模型脱胎于大模型的发展，传统的多模态模型面临着巨大的计算开销，而 LLMs 在大量训练后掌握了关于世界的 多模态大模型的整体架构可以被归类为如下图的五个部分，整个多模态大模型的训练可以被分为多模态理解与多模态生成两个步骤。 多模态理解包含多模态编码器，输入投影与大模型主干三个部分，而多模态生成则包含输出投影与多模态生成器两个部分，通常而言，在训练过程中，多模态的编码器、生成器与大模型的参数一般都固定不变，不用于训练，主要优化的重点将落在输入投影与输出投影之中
5.7K13编辑于 2024-05-14 agent多模态学习
二、多模态 Agent 的整体架构 一个完整的多模态 Agent 系统通常包含以下层次，其数据流如下： 用户多模态输入 → 多模态感知层 → 意图理解与规划层 → Agent 协作层 → 工具/环境交互层 → 反馈与优化层 → 多模态输出 2.1 多模态感知层 (Multimodal Perception Layer) 作为系统的“感官”，负责将原始的多模态输入转换为结构化的特征向量。 四、多模态意图理解与任务规划 4.1 多模态意图识别 多模态意图识别旨在从用户的文本、图像、语音等多种输入中，准确判断其核心需求。 多模态分类模型：训练一个分类器，输入为多模态特征，输出为意图标签。 LLM 直接判断：利用 GPT-4V 等具备视觉能力的模型，直接分析多模态输入并输出意图。 七、多模态内容生成 7.1 文本生成 基于融合后的多模态上下文，LLM 可以生成更精准、丰富的文本回复。
48710编辑于 2026-01-15- 来自专栏CSDN社区搬运
多模态COGMEN详解
在本文中，我们提出了基于 COntex- tualized Graph Neural Network的多模态情感识别COGMEN）系统，该系统利用了本地信息（即说话人之间的内/外依赖性）和全局信息（上下文 “iemocap_4” --modalities=“atv” 部署方式 下载我训练好模型，以及数据集，附件里有data，modelcheckpoint文件夹，分别替换代码中的文件夹即可，我对每个单独的模态都有训练
32410编辑于 2024-12-05 【多模态大模型】
多模态大模型的核心能力 多模态大模型通过融合视觉、听觉、文本等多维度数据实现综合理解与生成。典型应用包括： 图像到文本：识别图片内容并生成描述、广告文案或诗歌。 跨模态检索：根据文本搜索相关图像/视频，或反之。 代表模型如GPT-4V（视觉增强版）、通义千问多模态版、文心一言（ERNIE-ViLG）均支持此类任务。 多模态对齐：模型将图像特征与文本语义空间对齐，生成候选描述。 输出优化：通过强化学习调整生成文本的流畅性与吸引力。 模型训练与优化要点 数据准备：需对齐的多模态数据集（如COCO-Captions、AudioSet）。 多模态大模型的应用需结合具体场景调整输入预处理与后处理逻辑，以达到最佳效果。
29710编辑于 2026-01-20- 来自专栏多模态视频理解
多模态算法综述
在UCF101数据集上达到了87%的准确率图片（2）Beyond Short Snippets: Deep Networks for Video Classification，尝试了多种多帧帧见融合策略如 自注意力至此视频理解算法演进到了Transformer的自监督网络架构，Transformer有两个优势，（1）更强的网络表征能力，（2）更容易设计自监督的训练任务，从而可以更有效的利用无标注数据，同时也更加注重多模态的内容理解 Vision-language Understanding with Contrastive Learning图片ALBEF包含一个图像编码器（ViT-B/16），一个文本编码器（BERT的前6层），以及一个多模态编码器 预测图文是否匹配，进一步加强图像文本的对齐Masked Language Modeling，利用图像和上下文文本来预测掩码单词同时引入 Momentum Distillation 的方式，为图文对比学习生成伪标签作为 、多模态预训练方面提供大量的帮助，也给后来的文章提供了崭新的思路BLIP（Bootstrapping Language-Image Pre-training for Unified Vision-Language
3.1K30编辑于 2022-07-12 - 来自专栏一点人工一点智能
多模态认知计算
进而，根据机器对多模态信息的认知模式，从多模态关联，跨模态生成和多模态协同这 三个方面对现有方法进行了梳理与总结，系统地分析了其中的关键问题与解决方案。 作为多模态认知计算的三条主 线，多模态关联，跨模态生成和多模态协同是提升机器认知能力的有效途径，已成为国内外科研人员密切关注的研究热点。 本文的组织框架如下：第二节，介绍了多模态关联任务的发展现状，分为多模态对齐，多模态感知和多模态检索三个部分，并进行分析与讨论；第三节，介绍了跨模态生成任务中的跨模态合成和跨模态转换方法，并进行分析与讨论 本节从多模态对齐，多模态关联和多模态检索三方面阐述多模态关联相关工作。其中，多模态对齐是一类基础性需求，如图像区域内容和文字词汇的语义对齐，视觉唇部运动与语音声素之间的时间对齐等。 人类可以轻松自如地对视，听，嗅，味，触等多模态感知进行归纳融合，并进行联合演绎，以做不同的决策和动作。在多模态认知计算中，多模态协同是指协调两个或者两个以上的模态数据，互相配合完成多模态任务。
95830编辑于 2022-12-27 - 来自专栏素质云笔记
多模态＋Recorder︱多模态循环网络的图像文本互匹配
为了验证提出的选择式多模态循环神经网络的有效性，我们测试了该模型衍生出的多种网络结构，并在两个公开多模态数据库(Flickr30k和Microsoft COCO)上与当前最好方法进行了对比。 所提出的选择式多模态循环网络是一个动态模型，在每一时间步，它利用基于上下文的多模态注意机制选择图像文本中语义上相同的目标和词语，并计算其相似性作为图像文本的局部相似性，然后进行序列化融合得到全局相似性。 考虑到草图与自然图像可能存在多视角的特征表达，且不同的视角作用差异较大，我们提出了一种基于视角选择的多视角跨模态匹配算法。 我们在两个经典的细粒度草图-图像数据集上进行了大量的实验，结果表明所提出的方法可以有效利用多模态多视角特性并提升检索性能。 多模态搜索 网络上充斥着来自不同数据源的多模态多媒体数据；因此，亟需能够适应各种模态的信息检索系统，例如，在搜索“Dunkirk”电影时，应返回影评的相关文本数据、包含相关视频片段的视频数据、以及相关音频数据
2.8K20发布于 2019-05-26 2025 中国工商银行金融科技研究院等 中国金融生成式AI多模态内容鉴伪与安全防御白皮书(2025) 发布，提出体系化安全防御框架
•发布时间：2025年 •行业标签：泛金融 •产品标签：#生成式AI多模态内容鉴伪解决方案 #多模态安全能力平台 #AIGC鉴伪引擎 #动态风控策略引擎 #风险知识图谱 #多模态样本库与实验平台 1.4 利用生成式AI的多模态内容伪造成金融安全新挑战 第二章 生成式AI多模态伪造的金融安全挑战详解 2.1 生成式AI多模态伪造攻击原理和场景 2.2 生成式AI多模态鉴伪的关键难点分析 •核心分析模型：技术实践战略矩阵、生成式AI多模态伪造攻击原理和场景分析（技术层、场景层）、生成式AI多模态鉴伪五大难点模型、事前-事中-事后防御全链路困境分析模型、生成式AI多模态内容安全防御体系（端到端防御系统 核心能力包括鉴伪模型库（单模态深度鉴伪、跨模态一致性验证、行为序列分析等）、动态风控策略引擎（规则引擎、评分模型、决策树、上下文感知引擎）、风险知识图谱（多模态伪造内容关联图谱等）、闭环运营体系（监测- 第六章：为什么选择腾讯云 腾讯云基于对金融业务场景的深度理解，打造覆盖业务全流程的多模态内容鉴伪解决方案，集成AIGC鉴伪、内容安全质检、多模态交叉分析、动态风险识别与实时风险阻断等核心技术。
22810编辑于 2026-04-11- 来自专栏音乐与健康
多模态很简单，搞懂多模态，站在 AI 发展的最前沿
现实世界的信息是多模态的（Multi-Modal），比如：视频 = 图像+声音+文本字幕自动驾驶 = 摄像头+激光雷达+毫米波雷达+GPS医疗AI = X光片+病历文本+基因数据 多模态融合（Multi-Modal 今天，我们就来深入拆解多模态融合的奥秘！多模态到底是什么？ “模态” 就是信息的不同形式，比如：举个例子️：你在看一部电影，如果只看画面没声音，体验是不是很割裂？ 所以，多模态融合就是让AI像人一样，把各种信息整合在一起，提高理解能力！多模态融合有哪些方式？ 多模态融合一般分三大类：1️⃣ 早期融合（Early Fusion）—— 数据级融合 特点：在模型输入阶段，先把所有模态的数据合并成一个大“拼盘”，然后喂给模型。 多模态音乐治疗（多感官刺激睡眠疗法），包括声刺激抑制听觉警觉，动态光照重置生物钟，电磁刺激修复脑波节律，芳香分子安抚情绪，它们像精密齿轮般咬合，相辅相成，从不同感官通路“包抄”失眠的症结，让每一个失眠患者重拾安稳睡眠
1.2K10编辑于 2025-07-29 - 来自专栏全栈程序员必看
多模态情感识别_多模态融合的情感识别研究「建议收藏」
情感表达的模态包括面部表情、语音、姿势、生理信号、文字等,情感识别本质上是一个多模态融合的问题。 提出一种多模态融合的情感识别算法,从面部图像序列和语音信号中提取表情和语音特征,基于隐马尔可夫模型和多层感知器设计融合表情和语音模态的情感分类器。 提出的多模态识别算法较好地利用了视频和音频中的情感信息,相比于仅利用语音模态的识别结果有较大的提升,相比于表情模态的识别结果也有一定改进,是一种可以采用的情感识别算法。
1.7K10编辑于 2022-06-24 - 来自专栏学习
机器学习——多模态学习
多模态学习：机器学习领域的新视野 引言 多模态学习（Multimodal Learning）是机器学习中的一个前沿领域，它涉及处理和整合来自多个数据模式（如图像、文本、音频等）的信息。 随着深度学习的蓬勃发展，多模态学习在许多应用领域中获得了广泛关注，例如自动驾驶、医疗诊断、智能助理等。本篇博客将深入探讨多模态学习的概念、方法以及一些代码示例，帮助读者更好地理解这一重要课题。 什么是多模态学习？ 多模态学习旨在同时处理来自不同模态的数据，从而提高模型的表现能力。 多模态学习的挑战 多模态学习面临一些独特的挑战，例如： 模态间的异质性：不同模态数据的性质差异较大，例如图像是二维数据，文本是序列数据。 对齐问题：不同模态之间可能需要对齐，如图像和文本的时间同步。 多模态模型能够同时处理这些信息，从而理解视频的内容并进行分类、检索或生成描述。 结论 多模态学习是一个快速发展的领域，其潜力非常巨大。
62110编辑于 2024-10-10 - 来自专栏强化学习专栏
多模态智能的发展
文章分类在学习摘录和笔记专栏： 学习摘录和笔记（18）---《多模态智能的发展》 多模态智能的发展 1 多模态智能定义 多模态智能旨在融合多种模态的信息进行处理实现智能应用 将多模态信号统一到同一个向量空间中，从而实现了多模态信号的交叉处理。 多模态表示：由于其复杂的跨模态交互作用和各模态训练数据与测试数据之间可能存在的失配问题，仍然是一个具有挑战性的问题。 2 多模态智能融合的发展 融合是多模态研究中的一个关键问题，它将从不同单模态数据中提取的信息整合到一个紧凑的多模态表示中。 早期融合：即特征级融合，直接将从各类单模态数据中提取的特征组合在一起，以强调模态间的相互作用，从而抑制模态间的相互作用。
31510编辑于 2024-12-03 - 来自专栏喔家ArchiSelf
浅析多模态机器学习
多模态大模型就是指模型可以处理多种结构/类型的数据，例如GPT-4，它既可以处理你输入的文本，也可以处理你上传的图片。 那么，多模态到底意味着什么呢？ 1. 什么是多模态？ 3.1 多模态的数据表达 多模态数据的最大挑战是以一种方式总结来自多个模态（或视图）的信息，以便综合使用互补信息，同时过滤掉冗余的模态部分。 3.2 多模态机器翻译 多模态机器翻译涉及从多个模态中提取信息，基于这样的假设，附加的模态将包含有用的输入数据的替代视图。 3.3 多模态的对齐 多模态对齐是找到两种或更多模态之间的关系和对应。 为了对齐不同的模态，模型必须测量它们之间的相似度并处理长距离依赖关系。 多模态对齐是找到两种或更多模态之间的关系和对应，多模态融合可能是更重要的问题和挑战之一，协同学习是将学习或知识从一种模态转移到另一种模态的挑战。
80321编辑于 2023-09-02 - 来自专栏算法之名
多模态大模型篇
在CV方向上，一般我们输入的都是图片，无论这个图片多大，都会resize到一个统一的尺寸。最终经过CNN的提取，变成一个特征向量，那么这个特征向量的维度是一样的。再经过softmax变成一个分类(Class)的概率
1.5K51编辑于 2023-10-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号