Dec, 2020

基于人脸关键点和生成对抗网络的面部变形攻击漏洞分析

PDF
TL;DR本研究提供了一个包含 4 种不同类型的变形攻击的新数据集，并通过基于 OpenCV、FaceMorpher、WebMorph 和生成对抗网络（StyleGAN）的变形攻击实验，评估了现有人脸识别系统的风险程度，其中发现 VGG-Face 虽然与 FaceNet 相比精度较低，但更加抗变形攻击。此外，本文指出了使用 StyleGAN 生成的低级变形攻击对人脸识别系统不构成重大威胁。
morphing attacksbiometric systemsface morphing attack detectiondatasetsface recognition systems
发现论文，激发创造
  • GAN 生成的变形和基于标志物的变形对人脸识别系统的威胁是否相当？-- 脆弱性与检测

    本文提出使用新的生成对抗网络（GAN）- StyleGAN 生成实际高质量、高清晰度人脸混合图像的新框架，并使用 2500 个自己创建的变形脸部图像进行了实验，对基于商用产品和深度学习的人脸识别系统对信任度的威胁进行分析，并在以往的混合攻击检测方案中对 GAN 生成的混合图像和基于基准点的混合图像进行了检测方案的基准测试

    Jul, 2020

  • 单次变形攻击检测中的面部特征可视化

    本文提出了一种可解释的面部特征提取算法，能够检测真实和变形图像，用于单一变形攻击检测。该方法基于原始图像、形状、纹理、频率和压缩。利用此方法可以开发一个图形用户界面来协助边境警卫人员调查涉嫌的图像。在三种基于地标点的人脸变形方法和基于 StyleGAN 的变形方法上进行随机森林分类器的训练，其中 FRLL 数据库提供了变形图像。用于变形攻击检测，离散余弦变换方法在合成图像上获得了最佳结果，基于地标点的图像特征使用 BSIF 进行检测。

    Apr, 2023

  • 深度人脸表示用于差分变形攻击检测

    本篇论文讨论了利用真实的人脸图像数据库训练和测试差分变形攻击检测算法的可行性。在进行多个不同后处理之后，使用不同的工具创建了人脸融合图像。通过实验表明，基于深度学习的差分变形攻击检测算法在各种后处理情形下可以实现非常高的检测性能和鲁棒性。

    Jan, 2020

  • 用于面部合成攻击的分层生成网络

    通过使用全局信息和局部详细信息的层次生成网络，结合面部区域外的伪影去除模块，我们提出了一种改进图像质量和保持身份的新型变形攻击方法，相对于现有攻击方法具有更高的模拟人眼能力和足够欺骗面部识别系统的威胁性。

    Mar, 2024

  • 卷积神经网络架构在人脸混合造假展示攻击中的通用性

    开发鲁棒性的机器学习系统是防止犯罪分子使用假身份证件越过边境的必要手段，本研究则调查了卷积神经网络架构对变形攻击的泛化能力，结果发现 InceptionResNet-v2 在对未知数据的泛化效果上优于其他四个 CNN 模型。

    Oct, 2023

  • 面部融合攻击的最优地标引导图像混合

    我们提出了一种利用最优地标引导的图像融合进行人脸变形攻击的新方法，通过优化变形地标并使用图卷积网络（GCNs）结合地标和外观特征的方式，生成更高质量的变形图像，对最先进的人脸识别系统构成更大的威胁。

    Jan, 2024

  • 使用深度共享网络进行不同化脸部检测

    本文提出了一种新的差分变形攻击检测框架，使用深度 Siamese 网络，通过比较我们的模型与其他经典和深度学习模型，使用两个不同的变形数据集，VISAPP17 和 MorGAN，我们探索了由对比损失生成的嵌入空间，并使用欧几里得距离、特征差和支持向量机分类器、特征级联和支持向量机分类器三个决策框架。

    Dec, 2020

  • 3D 人脸识别系统对形变攻击的脆弱性

    该研究论文的主要内容是研究面部识别系统中的 3D 面部形态学攻击，并描述了生成 3D 面部形态学和检测攻击的方法。

    Sep, 2023

  • 在印刷 / 扫描和异构图像源存在下的面部融合检测

    本文提出了基于深度神经网络的人脸变形检测新方法，包括生成模拟打印 - 扫描图像的数据增强策略和预先在大型人脸识别数据集上进行训练，在来自异构图像源的具有挑战性的数据集上达到了最先进的准确性，解决了在电子身份文件中人脸变形问题带来的安全威胁。

    Jan, 2019

  • TetraLoss：提高面部识别抵御图像合成攻击的稳健性

    这篇研究论文提出了一种新方法，使用名为 TetraLoss 的损失函数，通过在嵌入空间中学习将合成的面部图像与其贡献者分开，从而提高基于深度学习的人脸识别系统对面部变形攻击的鲁棒性，并在全面评估中表现出明显优于其他基准方法。

    Jan, 2024