.png){kind=icon}
.png){kind=icon}
返回
A geometry-aware generative model for face morphing attacks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113231.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化人脸识别系统易受各种攻击，例如对抗性攻击、数字篡改和物理伪造。作为数字篡改攻击的一种特例，人脸融合攻击因能够良好泛化至各种人脸识别系统而日益引发关注。然而，由于当前先进的人脸融合方法具有以下特点，此类攻击的威胁被低估：（i）其生成的人脸图像视觉效果差，存在伪影；（ii）无法保证与参与者的相似性；（iii）在构建融合攻击时未明确考虑对抗人脸融合检测方法。基于人脸几何信息在人脸识别中至关重要的观察，本文提出了一种几何感知生成模型（GAGM），能够对人类专家、人脸识别系统和融合攻击检测系统实施更具威胁性的攻击。GAGM基于双可逆网络，结合人脸几何和纹理信息驱动生成融合图像，从而生成视觉逼真且极具欺骗性的融合人脸图像。为规避融合攻击检测，GAGM采用精细化的对抗攻击策略误导检测方法。可视化结果证明，与现有技术相比，GAGM能够生成视觉无瑕疵的人脸融合图像。同时，广泛的定量实验表明，GAGM能够显著提高对目标人脸识别系统的攻击成功率，并欺骗多种融合攻击检测模型。
Keyword:
Automated face recognition
Morphing attacks
Generative adversarial network
Adversarial attacks