Oct, 2023

通过形变优化基于面部一次性生物特征的密钥选择

PDF
TL;DR通过在信号水平上选择关键策略，提出一种竞争式可取消方案的安全改进，以防止对人脸识别系统的敌对攻击。实验结果表明，基于最安全阈值的某些策略可以完全阻止迭代优化的敌对攻击，而对于最实用的阈值，攻击成功率可降低到约 5.0%。
发现论文，激发创造
  • 生物识别中的非定向近碰撞攻击

    这篇论文研究了基于概率建模的生物识别技术中的安全问题，探讨了模板大小、数据库大小和阈值对识别精度的影响，揭示了生物识别技术的两种攻击方式，并提出了选择参数的建议。

    Apr, 2023

  • LowKey: 利用对抗攻击保护社交媒体用户免受面部识别的侵害

    该文研究了面部识别系统，并提出了可以应对这种系统的对抗滤镜，实验表明这种滤镜可以有效的通过包含面部检测和大规模数据库的工业流水线，同时发布了易于使用的 Web 工具来降低 Amazon Rekognition 和 Microsoft Azure Face Recognition API 的准确性。

    Jan, 2021

  • TetraLoss：提高面部识别抵御图像合成攻击的稳健性

    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

  • 嵌入非失真可取消人脸模板生成

    使用创新的图像扭曲技术，我们介绍一种能使面部图像对肉眼不可识别但仍可由自定义嵌入神经网络模型识别的生物特征认证系统，通过在 MNIST 和 LFW 数据集上的实验评估其有效性，并基于传统比较指标进行比较。

    Feb, 2024

  • 利用对抗样本实现人脸生物特征去识别

    本文评估了使用两种广为人知的敌对生成方法 (BIM and ILLC) 来去识别个人图像的效果，并发现使用几乎不可察觉的敌对扰动来达到高的保护成功率 (抑制识别率) 并不容易。最后，我们发现敌对样本的可转移性受其生成网络的训练参数的影响非常大。

    Feb, 2023

  • 提高对人脸变形攻击的鲁棒性的四重损失

    我们提出了一种新的四元组损失函数，通过特定采样和人脸变形的网络训练，提高人脸识别系统对变形攻击的鲁棒性。实验结果显示了我们策略在提高人脸识别网络对变形攻击的鲁棒性方面的有效性。

    Feb, 2024

  • 生成对抗性身份口罩实现面部加密

    本文介绍了一种基于对抗性蒙版的身份保护技术（TIP-IM），该技术可以在保证视觉效果的情况下，对个人照片进行加密以保护用户的数据隐私。实验结果表明，TIP-IM 在不同实际测试场景下，能够提供超过 95% 的保护成功率，证明其在商业 API 服务中的实用性和有效性。

    Mar, 2020

  • 对抗性人脸遮蔽

    该篇研究论文提出了一种名为 Face-Off 的隐私保护框架，旨在通过对用户面部进行策略性扰动来防止它被正确识别，该框架能够欺骗微软、亚马逊和 Face++ 等三种商业人脸识别服务，并且用户研究表明，所进行的扰动对用户的成本是可以接受的。

    Mar, 2020

  • 基于人脸关键点和生成对抗网络的面部变形攻击漏洞分析

    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

  • 智能画框选取作为人脸识别的隐私友好替代方案

    本文提出了一种隐私友好的大规模人脸识别替代方案，使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此，本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法，并通过实验验证了其有效性。

    Jan, 2021