Apr, 2024

基于非刚性配准的 3D 人脸形变攻击生成

PDF
TL;DR提出了一种从两个真实表达较为中性的 3D 面点云中生成人脸变形的新方法，通过将几何和颜色信息进行平均来生成面部变形点云，通过大量的漏洞性实验证明了该方法的有效性，达到了 97.93% 的广义变形攻击潜力，优于现有的 81.61% 的最先进技术 (State-of-the-art)。
face recognition systemsfacial morphing attacks3d face morphsbayesian coherent point driftgeneralized morphing attack potential
发现论文，激发创造
  • 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

  • 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

  • 使用多特征和分类技术融合检测稳健的人脸混合攻击

    本文提出一种基于参考的 / 差分变形攻击检测（MAD）方法，使用小波散射网络（WSN）检测新生儿变形的图像，得到的结果表明，相较于现有的 D-MAD 技术，检测准确率提高了 10% 以上。

    May, 2023

  • 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

  • 面部融合攻击的最优地标引导图像混合

    我们提出了一种利用最优地标引导的图像融合进行人脸变形攻击的新方法，通过优化变形地标并使用图卷积网络（GCNs）结合地标和外观特征的方式，生成更高质量的变形图像，对最先进的人脸识别系统构成更大的威胁。

    Jan, 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

  • 可塑面部模型 - 一个开放框架

    本文提出了一种基于高斯过程的新型开源面部配准管道以及其对面部图像分析的应用。通过引入面部对称性、多尺度和空间变化细节，该配准策略和建模技术可以应用于中性面部和面部表情，帮助构建三维可塑面部模型。同时，还发布了 BFM-2017 的新版本，其中包括更好的年龄分布和额外的面部表情模型，其开源软件框架及其实现的 AU 分析与综合模型适应（Analysis-by-Synthesis model adaption）已在多 PIE 和 LFW 数据库上进行了测试。

    Sep, 2017

  • 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

  • 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