通过学习生成模型留下来的残留特征作为身份信息,进一步确定人工指纹的表示的生成模型,并提出了基于集合编码和对比训练的新学习方法,通过与最先进的指纹方法的比较和消融研究,得到了稳定性和可归属性的改进。
Jun, 2022
本文研究了使用潜在语义维度作为指纹的方法,以分析设计变量对准确性和质量之间的权衡的影响。与当前 SOTA 相比,我们的方法需要最少的计算量,并且更适用于大规模模型。我们使用 StyleGAN2 和潜在扩散模型来证明我们的方法的有效性。
Apr, 2023
我们通过嵌入人工指纹到生成对抗网络的训练数据中,展示了指纹从训练数据中转移到生成模型的惊人传递性,并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效,且鲁棒性强。
Jul, 2020
本研究首次学习 GAN 指纹以进行图像归属,并使用它们将图像分类为真实或 GAN 生成。实验表明,GAN 生成的图像具有稳定的指纹,指纹细调有效防御五种类型的对抗性图像扰动,并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。
Nov, 2018
研究人员开发出一种称为指纹技术的机制,该技术旨在检测并追溯深度生成模型的使用,以防止其被用于创建深度伪造和传播虚假信息。
Dec, 2020
通过在频域解释网络组件,我们发现了生成模型频率分布和网格状模式不一致问题的来源。利用这些发现,我们开发了低成本的合成模型,能够生成模拟真实生成模型中观察到的频率模式的图像。这些模式的指纹提取器在合成数据上进行预训练后,在验证、识别和分析如 GAN、VAE、Flow 和扩散等真实基于 CNN 的生成模型的关系方面展现出优越的迁移能力。
Jul, 2023
使用合成数据进行指纹识别的研究已经引起了广泛关注,因为它具有减轻围绕敏感生物特征数据的隐私问题的潜力。为了解决这个挑战,我们提出了 GenPrint,一个可以生成各种类型指纹图像并保持身份的框架,可以对指纹类别、采集类型、传感器设备和质量级别等不同外观因素进行人类可理解的控制。
Apr, 2024
评估生成式机器学习模型在身份保护方面的漏洞,并通过设计和测试一种身份推断攻击来验证其有效性。实验结果表明,该解决方案在不同配置下都有效,并且可以轻松扩展到其他生物测量数据集。
Jun, 2024
本文提出了一种通过设计对抗方法搜索解剖指纹(如医疗设备或皮肤艺术)来估计重现可识别训练图像的概率上限的方法,利用学习到的基于分数的模型估计可能用于一对一复制训练样本的分数函数子空间的概率,结果表明,如果模型没有小心训练,则在采样时会复制侵犯隐私的图像。
Jun, 2023
本研究提出了一种基于生成对抗网络(GAN)生成自然指纹的方案,并在决策差异区域而不是决策边界上嵌入这些指纹以提高鲁棒性。实验证明该方案在四种不同的模型攻击测试中表现出色,超过 MetaV 的最优基准线约 17%。
May, 2023