AAAISep, 2017

反妆：学习一个双层对抗网络以实现妆容不变的人脸验证

PDF
TL;DR本文提出了一种使用双层对抗网络 (BLAN) 进行学习的方法，以解决化妆对面部识别的负面影响，首先从化妆样本中生成不化妆的图像，再进行进一步的验证，实验结果证明我们的方法能够达到业界最高的识别准确率，并且能够产生高质量的真实不化妆图像。
发现论文，激发创造
  • Adv-Makeup: 一种新的对人脸识别具有隐形性和可迁移性的攻击

    本文提出一种 Adv-Makeup 统一的对抗人脸生成方法，实现在黑盒环境下的不可察觉和可转移攻击，它使用任务驱动的化妆生成方法和精细的元学习对抗攻击策略，能够在数字和物理环境下生成更为不可察觉的攻击，并显著提高黑盒环境下的攻击成功率。

    May, 2021

  • 保护面部隐私：通过样式鲁棒化妆转移生成对抗身份面罩

    本文提出了一种名为 AMT-GAN 的新型人脸保护方法，旨在构建具有更强的黑盒传递性和更好的视觉质量的对抗性人脸图像，通过引入新的正则化模块以及联合训练策略来解决对抗噪声和化妆品转移中的循环一致性损失之间的冲突，实现攻击能力和视觉变化之间的理想平衡。广泛的实验验证了该方法能够保持较高的视觉质量，同时在 Face ++，Aliyun 和 Microsoft 等商业 FR API 上实现更高的攻击成功率。

    Mar, 2022

  • 基于三维感知的对抗妆容生成技术用于人脸隐私保护

    本文提出了一种 3D 感知的对抗性化妆生成 GAN 模型，旨在提高身份信息遮盖的合成化妆品的质量和可转移性，进而保护人脸不被各种人脸识别模型与商业面部验证 API，如 Face++，百度和阿里云等识别。

    Jun, 2023

  • 深度本地化化妆迁移网络 - 像超级巨星一样化妆

    本文提出了一种新颖的深度本地化化妆转移网络，可自动为女性推荐最合适的化妆品，并在她的脸上合成化妆品，具有完整的功能，包括化妆品特定功能，局部应用，产生自然的外观结果，控制化妆深度，与使用 Guo 和 Sim，2009 年的方法及 NerualStyle 的两个变量相比，我们的网络表现更好。

    Apr, 2016

  • CLIP2Protect：使用文本引导化妆与对抗潜在搜索保护面部隐私

    提出了一种基于生成模型的低维流形中的对抗潜在编码来保护面部隐私的方法，该方法利用用户定义的化妆文本提示和保存身份信息的正则化来引导对潜在空间中的对抗编码的搜索，实验结果表明该方法的人脸隐私保护效果优于现有技术。

    Jun, 2023

  • LADN: 面部化妆与卸妆的本地敌对解缠网络

    我们提出了一种用于面部化妆和卸妆的本地对抗去纽结网络（LADN），其中包括多个、重叠的本地对抗鉴别器，采用不对称损失函数来实现面部图像之间的局部细节转移。

    Apr, 2019

  • 基于生成对抗网络的分离化妆品转移

    本文提出了 DMT (Disentangled Makeup Transfer)，这是一种统一的生成对抗网络，可实现不同场景的化妆技术转移，它包含了一个身份编码器和一个化妆编码器来解缠非化妆人脸的个人身份和化妆风格，可产生具备高质量和可控功能的化妆转移结果。

    Jul, 2019

  • DiffAM：基于扩散的面部隐私保护对抗妆容转换

    利用扩散模型生成对抗性妆容转移以保护人脸图像隐私的研究

    May, 2024

  • Vec2Face: 从 Face Recognition 的黑盒特征中揭示人脸

    本文提出了一种新的生成模型 - 双射生成对抗网络，并引入成分提取和度量学习来增强图像的重建过程，最终生成出具有真实性和身份保留特性的面部图像。该模型在多个基准数据集上进行实验，证明了其有效性。

    Mar, 2020

  • 对抗性人脸合成

    该论文提出 AdvFaces，一种基于生成对抗网络 (GAN) 的自动化方法，用最小的扰动生成看似合法但实际上能够欺骗最新人脸识别系统的假冒人脸或模糊真正主题的攻击性人脸图像。

    Aug, 2019