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

该研究考察了人脸嵌入在人脸融合攻击中的应用，既可用于生成大量的融合攻击，也可用于检测融合攻击。研究结果表明，MagFace 模型在预选择图像和检测融合攻击方面的效果优于常用的 ArcFace 模型，并且商用人脸识别系统比开源系统更容易受到攻击。

May, 2023

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

本文介绍了一种更真实的模型反演攻击定义，并利用生成对抗网络的属性构建连通的低维流形。我们在此流形内实施的模型反演攻击表现出高效率。

Oct, 2019

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

本文介绍了一种新型攻击方法 —— 生成模型反演攻击，它可以显著地提高逆转深度神经网络的准确率，攻击者使用部分公共信息学习分布先验，引导逆转过程，并且通过实验证明了差分隐私在该攻击下的防御效果有限。

Nov, 2019

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

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

开发鲁棒性的机器学习系统是防止犯罪分子使用假身份证件越过边境的必要手段，本研究则调查了卷积神经网络架构对变形攻击的泛化能力，结果发现 InceptionResNet-v2 在对未知数据的泛化效果上优于其他四个 CNN 模型。

Oct, 2023

我们提出利用基于坐标的神经网络来表示面部图像的变形和融合。通过结合经典方法中的能量函数，我们利用这些网络的平滑性和灵活性进行训练，同时允许连续的面部变形和融合。实验结果表明，我们的方法在面部变形检测方法方面与传统方法和基于数据的神经技术相竞争，并在审美上呈现出文献中尚不常见的多样面孔的无缝融合。

Aug, 2023