Jan, 2024

TetraLoss：提高面部识别抵御图像合成攻击的稳健性

PDF
TL;DR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。
face recognition systemsmorphing attacksdeep learningtetralossbiometric verification
发现论文，激发创造
  • 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

  • 深度人脸表示用于差分变形攻击检测

    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

  • 使用深度共享网络进行不同化脸部检测

    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

  • 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

  • 差异面部融合检测的融合分类

    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

  • 3D 人脸识别系统对形变攻击的脆弱性

    该研究论文的主要内容是研究面部识别系统中的 3D 面部形态学攻击，并描述了生成 3D 面部形态学和检测攻击的方法。

    Sep, 2023

  • 用于面部合成攻击的分层生成网络

    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

  • 利用去噪扩散概率模型检测面部混合攻击

    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

  • 单次变形攻击检测中的面部特征可视化

    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

  • 使用模板反转近似优化形态攻击

    通过倒置理论上的最优变形嵌入来研发一种基于深度变形攻击的新方法，该方法利用面部识别系统的倒置模型生成混合攻击，具有更高的攻击效果和更快的运行速度。

    Feb, 2024