提高面部识别对抗攻击的视觉质量和可传递性,并同时进行对抗恢复
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
我们提出了一种考虑到人脸识别模型的可迁移性和受害者人脸图像的新型对抗攻击方法 NeRFTAP,在使用 NeRF-based 3D-GAN 生成新视角人脸图像的基础上,引入了样式一致性损失来提高生成的对抗性人脸图像的有效性和自然性。在各种人脸识别模型上的大量实验证明我们的方法相比现有的攻击技术更为优越。我们的研究为提高实际对抗环境中人脸识别系统的稳健性提供了宝贵的见解。
Nov, 2023
本研究探讨了增强屏下相机(UDC)图像恢复模型在对抗攻击下的鲁棒性,通过深度学习方法的评估和采用防御框架,包括扩散式对抗净化和进一步的微调,有效提高了图片恢复模型的弹性。
Feb, 2024
本文针对深度卷积神经网络在人脸识别中容易受到可转移性对抗攻击的问题进行了研究,提出了基于 DFANet 的特征级对抗样本生成方法,通过控制 dropout 提高替代模型的多样性并获得集成的效果,该方法在多种模型、训练数据库和网络架构下的实验表明可以显著提高现有攻击方法的可转移性,最终应用于 LFW 数据库成功生成了新的对抗人脸对并攻击了四个商业 API,本文数据集可用于深度人脸识别的鲁棒性和防御研究。
Apr, 2020
通过 Adv-Inpainting 框架生成更具迁移性和视觉质量的自然对抗性贴片,从而改进了先前的对抗性贴片攻击方法。
Aug, 2023
我们提出了一种基于扩散先验的 VQGAN 结构,在学习完整的潜在嵌入分布的同时,迭代地从受损对应物恢复干净嵌入,结合身份恢复网络的输出对逆向扩散过程进行约束,以在潜在空间中实现知觉和保真度的分离,取得最佳性能。
Feb, 2024
在这篇论文中,我们致力于解决野外人脸识别的挑战,其中图片常常存在质量低下和真实世界的扭曲。通过提出一种适用于基于高质量数据集上训练的现有人脸识别模型的有效适配器,我们旨在克服传统启发式方法在处理低质量图片时的无效性。
Dec, 2023
本研究提出了一种基于 Adversarial Decoupling Augmentation Framework (ADAF) 的面部隐私保护算法,通过针对图像 - 文本融合模块增强面部隐私保护算法的防御性能,采用多级文本相关增强措施提高对各种攻击者提示的防御稳定性,并在 CelebA-HQ 和 VGGFace2 上进行广泛的实验,证明了 ADAF 比现有算法具有更好的性能。
May, 2023
本文提出了一个有效的图像增强方法,通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形,从而提高对抗性的鲁棒性,同时提高图像质量和保持干净图像上的性能表现。
Jan, 2019