.png){kind=icon}
返回
FlashRush: accelerating proactive deepfake disruption with parallel adversarial attack processing
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06171-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着生成对抗网络（GANs）的快速发展，DeepFake技术已显著进步，能够实现复杂的人脸图像和视频编辑。因此，在社交媒体、金融和政治领域的网络安全威胁日益增加，促使主动干扰技术的发展。C1-5）然而，传统的干扰方法本质上是顺序执行的，需要逐图像迭代扰动优化，导致大规模应用时计算开销显著。为解决这一挑战，C2-7）我们设计了FlashRush，一个并行执行框架，用于加速大规模图像的主动DeepFake干扰。FlashRush-I，首个方案，将大规模图像数据集划分为批次，并在多个CPU核心和GPU之间分配以并行处理。FlashRush-P，第二种变体，通过跨硬件资源并行化计算并高效合并更新来加速对抗扰动更新。我们在AntiForgery框架中实现了FlashRush，并在Neuron超级计算机上使用CelebFaces Attributes（CelebA）数据集对StarGAN模型进行了评估。实验结果表明，FlashRush将执行时间减少了高达73.2%，同时将GPU利用率和内存效率分别提高了84.5%和85.15%。此外，它保持了有竞争力的对抗质量，保留了L2误差、SSIM和PSNR，同时实现了100%的对抗成功率（ASR）。C2-3）这些结果证明了FlashRush是一个用于实时DeepFake干扰的有效且可扩展系统。
Keyword:
Adversarial attack
DeepFake
Generative adversarial networks
Parallel processing
Perturbations
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
引用论文
.png){kind=icon}
Parallel/distributed implementation of cellular training for generative adversarial neural networks细胞训练在生成对抗神经网络中的并行/分布式实现
PREAI
分享收藏StarGAN: Unified Generative Adversarial Networks for Multi-domain Image-to-Image TranslationStarGAN: 用于多域图像到图像翻译的统一生成对抗网络
PREAI
分享收藏A Survey of Image Synthesis and Editing with Generative Adversarial Networks基于生成对抗网络的图像合成与编辑研究综述
OAAI
OAAI分享收藏
查看更多内容