Oct, 2020

感知至关重要：探索 GAN 生成的假人脸图像检测的不可察觉与可迁移防伪技术

PDF
TL;DR通过对抗性攻击，在转换的颜色域中考虑视觉感知，提出了一种新的反取证方法，即更难以察觉和更具可迁移性，可成功欺骗深度学习和非深度学习取证检测器，极大地提高了攻击成功率和视觉质量，为面部图像取证新的安全问题。
generative adversarial networksfake face detectionanti-forensicadversarial attacksperceptual impairment
发现论文，激发创造
  • 使用生成模型提高对抗性贴片攻击在人脸识别中的可迁移性

    本文通过在低维数据流形上规范对抗性贴片生成，从而提高了面部识别系统的鲁棒性，并在数字世界和物理世界上进行了广泛的实验验证。

    Jun, 2021

  • 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

  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • ForensicTransfer：弱监督领域自适应用于伪造检测

    在图像伪造不断更新的现今，卷积神经网络和自编码结构的 Forensic-Transfer 方法可以提高图像伪造检测的可迁移性并显著提高性能。

    Dec, 2018

  • 面向不可察觉和可迁移对抗攻击的扩散模型

    论文介绍一种新型的对抗攻击方法 DiffAttack，该方法利用扩散模型的生成和判别能力，在隐空间中生成人类感知不到的、带有语义线索的扰动，并采用内容保持结构。考虑到攻击的传递性，DiffAttack 进一步 “欺骗” 扩散模型，以分散其注意力，达到更好的转移性能，实验结果表明，DiffAttack 在各种模型结构和防御方法下具有更高的攻击成功率。

    May, 2023

  • 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

  • 对抗消除伪造脸部图像的反事实解释

    通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。

    Apr, 2024

  • 对基于 CNN 的图像取证的对抗样本可转移性研究

    本文探索了在图像取证应用程序中，攻击是否具有传递性，并证明在大多数情况下攻击是不可传递的，至少当攻击者不完全了解目标检测器时，可以简化适当的对策设计。

    Nov, 2018

  • 探索基于频率对抗性攻击的人脸造假检测

    本文提出了一种基于离散余弦变换（DCT）的频率对抗攻击方法，以欺骗面部伪造检测器。通过引入融合模块来捕获对手在频率域中显着的区域，我们的方法比空间域中的现有对抗攻击更为难以察觉，并且不会降低原始图像的视觉质量。在实验中，我们发现该方法有效地欺骗了空间域和最先进的频率域检测器，并增强了面部伪造检测器之间的可靠性。

    Mar, 2022

  • 通过面向转换的对抗性人脸防御，抵御基于 GAN 的深度伪造攻击

    本研究提出了使用差分随机图像变换的对抗攻击作为 GAN-based Deepfake 的防御方法，同时使用基于集合的方法加强了攻击的鲁棒性。

    Jun, 2020