IJCAIMay, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • Adv-Diffusion: 通过潜在扩散模型实施难以察觉的敌对人脸身份攻击

    该研究论文提出了一种统一的框架 Adv-Diffusion，可以在潜在空间而不是原始像素空间中生成不可感知的对抗性身份扰动，利用潜在扩散模型的强大修补能力生成逼真的对抗性图像。通过在周围环境中生成语义扰动的身份敏感条件扩散生成模型，设计了自适应强度的对抗性扰动算法，既能确保攻击的可传递性又能保持隐秘性。在公开的 FFHQ 和 CelebA-HQ 数据集上进行了广泛的定性和定量实验，证明该方法在没有额外的生成模型训练过程的情况下取得了卓越的性能。源代码可在此链接中获取。

    Dec, 2023

  • 反妆：学习一个双层对抗网络以实现妆容不变的人脸验证

    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。

    Sep, 2017

  • 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

  • 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

  • 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

  • 深度伪造检测的对抗威胁：实用角度分析

    本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究，旨在提高其鲁棒性，包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估，并证明了它们可以很容易地被跨模型攻击所绕过。

    Nov, 2020