- 应对差异变形攻击检测中的主体相似性
该研究论文针对模拟攻击问题,提出了 ACIdA 模块化差分 MAD 系统,实现了较好的性能和成果,超过了现有文献中的竞争对手,并在传统差分 MAD 基准测试中保持良好的性能。
- 贪婪 - DiM: 无理有效的人脸变形的贪婪算法
提出了一种基于迭代采样过程的扩散变形攻击模型,通过使用基于身份的启发式函数引导的贪婪策略,比较在开源的 SYN-MAD 2022 竞赛数据集上与其他十种最先进的变形算法相比,该算法以异常高的精确度欺骗了所有被测试的人脸识别系统,MMPMR - 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。
- TetraLoss:提高面部识别抵御图像合成攻击的稳健性
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。
- 卷积神经网络架构在人脸混合造假展示攻击中的通用性
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。
- 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。
- 揭示双重真相:分离面部变形身份以进行面部变形检测
本研究开发了 IDistill 方法,利用自编码器学习域信息,并将其精炼为分类器,以便教会它分离身份信息。在三个数据库中它超越了其他方法,并在另外两个数据库中表现出竞争力,有望用于预防生物测量系统攻击中的模拟攻击。
- 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。
- 利用小波散射网络检测差异性新生儿面孔变形攻击
通过使用小波散射网络(WSN)提出了一种基于参考的 / 差分变形攻击检测(MAD)方法来检测新生儿变形图像,验证结果表明比其他现有的 D-MAD 技术提高了超过 10%的检测精度。
- CVPR使用鉴别小波子带的差分形态人脸检测
本文提出了一种基于 2D 离散小波变换和 KLD 的人脸识别防护机制,以识别任意两种身份的面部伪造图片,并通过深度神经网络训练准确地识别需要分辨的波段,以用于差异性面部攻击检测。
- 使用判别小波子带检测变形人脸图像
通过使用特征提取方法 2D-DWT,熵值比较、Kullback-Leibler 散度的计算以及 22 个最显著子带的筛选,建立了一个基于深度学习的方法来检测面部识别中常见的形态攻击。在三个数据集上的实验结果表明该算法具有优异的检测效果。
- 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 - MM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