SDeMorph:单一变形拆除脸部变形的提升
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
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
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
本文提出一种基于参考的 / 差分变形攻击检测(MAD)方法,使用小波散射网络(WSN)检测新生儿变形的图像,得到的结果表明,相较于现有的 D-MAD 技术,检测准确率提高了 10% 以上。
May, 2023
提出了一种从两个真实表达较为中性的 3D 面点云中生成人脸变形的新方法,通过将几何和颜色信息进行平均来生成面部变形点云,通过大量的漏洞性实验证明了该方法的有效性,达到了 97.93% 的广义变形攻击潜力,优于现有的 81.61% 的最先进技术 (State-of-the-art)。
Apr, 2024
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
本文针对面部融合这一复杂的攻击技术,提出了一种基于融合分类方法的无参考情况下的差异性面部融合检测扩展方法,引入了公开的面部融合检测基准,并利用特定的数据挖掘技术来提升检测方法的性能,实验结果证明了该方法在检测融合攻击方面的有效性。
Sep, 2023
提出了一种基于迭代采样过程的扩散变形攻击模型,通过使用基于身份的启发式函数引导的贪婪策略,比较在开源的 SYN-MAD 2022 竞赛数据集上与其他十种最先进的变形算法相比,该算法以异常高的精确度欺骗了所有被测试的人脸识别系统,MMPMR 值达到 100% 以上。
Apr, 2024
利用 StyleGAN 解耦技术生成高质量的人脸变换攻击的新方法 MLSD-GAN 可以有效欺骗深度学习人脸识别系统。
Apr, 2024