3D 人脸识别系统对形变攻击的脆弱性
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
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。
Dec, 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
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
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
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
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