CVPRMar, 2022

面部变形攻击检测器的隐私友好的合成数据

PDF
TL;DR本研究介绍了首个基于合成数据的变形攻击检测开发数据集 (SMDD) ，证明该数据集成功地用于训练三种变形攻击检测骨干网络，从而实现了高性能的变形攻击检测，即使是完全未知的攻击类型。通过详细的法律分析，我们表明在使用和分享真实生物特征数据的挑战方面，我们提议的 SMDD 数据集至关重要。该数据集包含 30,000 个攻击样本和 50,000 个真实样本，可供研究目的公开使用。
发现论文，激发创造
  • 利用去噪扩散概率模型检测面部混合攻击

    本文介绍了一种基于扩散的新型高效 MAD 方法，学习纯粹的真实图像的特征，实现对不同形态的变形攻击的检测。在四个不同数据集上进行了严格的实验，并与现有解决方案进行了比较，结果表明我们的 MAD 模型在所有数据集上都取得了高竞争力的结果。

    Jun, 2023

  • 基于隐私友好合成数据的面部展示攻击检测 ——SynthASpoof

    本文介绍了一种基于合成数据的面部防伪数据集，名为 SynthASpoof，简要阐述了 MixStyle 的工作原理以及使用合成数据作为有限认证训练数据的补充，并给出了该数据集、实现和预训练权重的公开链接。

    Mar, 2023

  • 合成图像对基于孪生网络的形变攻击检测的影响

    研究评估了使用具有半硬损失函数的暹罗网络在形态攻击检测（MAD）中，合成图像对其影响。通过跨数据集评估来测量合成图像的泛化能力。使用传统的 MobileNetV2、MobileNetV3 和 EfficientNetB0 预训练网络作为特征提取器。我们的结果表明，在 FERET、FRGCv2 和 FRLL 数据库上， EfficientNetB0 训练的 MAD 具有比 SOTA 更低的错误率。相反，当系统仅使用合成图像进行训练时，性能较差。混合方法（合成 + 数字）数据库可以帮助改进 MAD 并降低错误率。这表明我们仍需要在训练过程中继续努力包含合成图像。

    Mar, 2024

  • V-MAD：操作场景中基于视频的变形攻击检测

    该研究尝试利用视频序列进行面部变形攻击检测，通过分析多个探测数据帧的优势提高了变形攻击检测系统的鲁棒性和性能。

    Apr, 2024

  • 利用多光谱成像进行差异人脸合成攻击检测的初步研究

    本文提出了一种多光谱框架用于差异化仿真攻击检测，该方法通过在电子护照中捕获的基准图像和在可信设备中捕获的面部图像来检测电子护照中呈现的人脸图像是否被修改，并在多个会话中使用可见光和多光谱相机对 143 个独特数据主体进行了广泛实验，结果表明该多光谱框架的性能优于可见光图像检测。

    Apr, 2023

  • 应对差异变形攻击检测中的主体相似性

    该研究论文针对模拟攻击问题，提出了 ACIdA 模块化差分 MAD 系统，实现了较好的性能和成果，超过了现有文献中的竞争对手，并在传统差分 MAD 基准测试中保持良好的性能。

    Apr, 2024

  • SASMU: 使用合成人脸数据集提升广义识别模型性能

    本文提出了一种新的基于人工合成数据的人脸识别方法 SASMU，并通过空间数据增强和频谱混合等技术实现了最先进的性能，在提高性能的同时解决了数据隐私问题。

    Jun, 2023

  • PW-MAD：基于像素级别监督的通用人脸变形攻击检测

    通过像素级别的监督方法，我们训练一个分类器来识别脸部变形攻击，我们的解决方案相比于现有算法更加准确，而且在检测重数读攻击时表现良好；另外，我们还创建了一个新的数据集，即 LMA-DRD 数据集，可用于研究目的。

    Aug, 2021

  • 使用合成数据训练深度人脸识别系统

    本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。

    Feb, 2018

  • SFace：使用合成数据进行隐私友好型高精准度人脸识别

    本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

    Jun, 2022