Apr, 2024

MLSD-GAN — 使用潜在语义解缠生成强大高质量人脸变形攻击

PDF
TL;DR利用 StyleGAN 解耦技术生成高质量的人脸变换攻击的新方法 MLSD-GAN 可以有效欺骗深度学习人脸识别系统。
face-morphing attacksbiometric researchersface recognition systemsunsupervised morphing attacksmlsd-gan
发现论文，激发创造
  • GAN 生成的变形和基于标志物的变形对人脸识别系统的威胁是否相当？-- 脆弱性与检测

    本文提出使用新的生成对抗网络（GAN）- StyleGAN 生成实际高质量、高清晰度人脸混合图像的新框架，并使用 2500 个自己创建的变形脸部图像进行了实验，对基于商用产品和深度学习的人脸识别系统对信任度的威胁进行分析，并在以往的混合攻击检测方案中对 GAN 生成的混合图像和基于基准点的混合图像进行了检测方案的基准测试

    Jul, 2020

  • 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

  • MOST-GAN: 用于解耦脸部图像操作的 3D 可塑造风格 GAN

    MOST-GAN 使用 3D 形态模型耦合现代化 2D 变形网络实现面部图像生成、控制和逼真操作。

    Nov, 2021

  • SDeMorph：单一变形拆除脸部变形的提升

    提出了一种无参考的去形变方法 SDeMorph，利用 DDPM 和分支 UNet，实现了高质量的去形变，能够恢复出真实身份。

    Aug, 2023

  • 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

  • 基于潜在语义解缠的高分辨率人脸交换

    本文提出一种基于 GAN 模型的高分辨率人脸交换方法，通过显式地将潜在空间的语义进行分离，并通过引入基于地标的结构转换潜在方向来分离结构属性中的身份和姿态信息，进而获得丰富的生成特征。通过加入空间 - 时间约束，将这种方法进一步扩展到视频人脸交换，并在实验证明，该方法在幻觉质量和连续性方面优于现有方法。

    Mar, 2022

  • 通过潜在空间映射的人脸身份分离

    本文提供了一种使用预训练网络来学习数据的解缠表示的方法，以实现最小的监督，同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。

    May, 2020

  • 面部图像和视频的解缩聚变换器

    本研究提出通过 StyleGAN 生成器的潜在空间编辑面部属性，通过训练专门的潜在空间转换网络并在损失函数中添加显式的分离和身份保存项来控制和保护身份，并介绍了一个将面部编辑推广到视频的流程。在真实图像和视频方面表现出出色的性能。

    Jun, 2021

  • 线性编码面部语义的无监督解缠

    本文介绍了一种无需外部监督即可将线性编码的面部语义从 StyleGAN 中分离的方法，并结合稳定的三维可变形面部重建方法将单视图 GAN 生成物分解为多个语义。同时，我们还展示了沿着分离表示进行引导外推可以帮助进行数据增强，并提供了对我们学习到的面部表示的分析。

    Mar, 2021

  • FD-GAN：用于恢复共犯面部图像的人脸去变形生成对抗网络

    本文提出了一种面部去变形生成对抗网络 (FD-GAN)，用于恢复面部欺诈同伙的图像，该网络具有双重对称结构和两个级别的恢复损失，通过利用面部识别系统捕获的面部图像，以及存储在电子护照系统中的变形图像，FD-GAN 可以有效地恢复同伴的面部图像，实验结果和分析证明了该方案的有效性和实际应用的巨大潜力。

    Nov, 2018