Nov, 2023

NeRFTAP：利用神经辐射场提升对抗性贴片在人脸识别中的可转移性

PDF
TL;DR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。
发现论文，激发创造
  • 使用生成模型提高对抗性贴片攻击在人脸识别中的可迁移性

    本文通过在低维数据流形上规范对抗性贴片生成，从而提高了面部识别系统的鲁棒性，并在数字世界和物理世界上进行了广泛的实验验证。

    Jun, 2021

  • 面向可推广神经辐射场的有针对性对抗攻击

    Neural Radiance Fields（NeRFs）能够用稀疏的 2D 观测数据学习合成高质量图像，实现逼真的互动场景重建。然而，本文展示了使用低强度的对抗攻击和对抗补丁对具有通用性的 NeRFs 进行攻击，并演示了生成特定预定义输出场景的有针对性攻击。

    Oct, 2023

  • Adversarial Patch 的生成与应用：基于注意力引导特征融合的自然与可迁移性

    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

  • RADAP：一种面向人脸识别的稳健自适应防御对抗性贴片

    本文提出了 RADAP，它是一种针对封闭集和开放集人脸识别系统中各种对抗补丁的强大而适应性的防御机制。RADAP 采用创新技术，如 FCutout 和 F-patch，利用傅里叶空间采样掩蔽来提高人脸识别模型的遮挡鲁棒性和补丁分割器的性能。此外，我们引入了边缘感知的二进制交叉熵（EBCE）损失函数来提高补丁检测的准确性。同时，我们还提出了一种名为分割与填充（SAF）的策略，用于对抗补丁分割器受到的完全白盒自适应攻击的漏洞。我们进行了全面的实验证明了 RADAP 的有效性，它在防御各种对抗补丁的性能方面取得了显著的改进，同时保持了干净准确性高于未防御的 Vanilla 模型。

    Nov, 2023

  • 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

    通过使用人脸修复潜在扩散模型先验，我们提出了一种名为对抗修复（AdvRestore）的新型对抗攻击方法，同时增强对抗人脸示例的视觉质量和可转移性。实验证明了我们提出的攻击方法的有效性。

    Sep, 2023

  • 人脸重构迁移攻击的超出分布广义化

    通过平均潜变量搜索和带伪目标的无监督验证方法，我们提出了一种重构人脸图像的新方法，用于攻击未知编码器，证明了该方法在广泛使用的人脸数据集上的功效和推广性。

    Jul, 2024

  • 保护面部隐私：通过样式鲁棒化妆转移生成对抗身份面罩

    本文提出了一种名为 AMT-GAN 的新型人脸保护方法，旨在构建具有更强的黑盒传递性和更好的视觉质量的对抗性人脸图像，通过引入新的正则化模块以及联合训练策略来解决对抗噪声和化妆品转移中的循环一致性损失之间的冲突，实现攻击能力和视觉变化之间的理想平衡。广泛的实验验证了该方法能够保持较高的视觉质量，同时在 Face ++，Aliyun 和 Microsoft 等商业 FR API 上实现更高的攻击成功率。

    Mar, 2022

  • GANeRF: 利用判别器优化神经辐射场

    采用生成对抗网络对神经辐射场（NeRF）进行优化，修复 3D 场景重建中存在的照明、采样等问题，从而实现更高质量的渲染。

    Jun, 2023

  • 同胞攻击：重新思考对人脸识别可迁移对抗攻击

    Sibling-Attack 是一个新的人脸识别攻击技术，通过利用多任务相关信息来增强攻击的可迁移性以攻击黑箱模型，经过实验证明，相比先前的攻击技术，ASR（攻击成功率）提高了 12.61% 至 55.77%。

    Mar, 2023

  • 面部识别的对抗性光照调整

    本文通过对抗攻击和自动预测对抗光线的方式实现对深度面部识别系统的对抗侵害。作者提出了基于物理模型的对抗重照攻击（ARA）和自动预测对抗重照攻击（AP-ARA），并将数字攻击转化为精确的物理 ARA，通过在不同数据库中进行大量测试，结果表明该方法可以轻松破坏 FaceNet、ArcFace 和 CosFace 等深度面部识别方法，并揭示了特定光线方向和强度的威胁。

    Aug, 2021