.png){kind=icon}
返回
Toward Generating Unlearnable Examples for Open-Set Face Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/lsp.2026.3707806.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在未经用户同意的情况下构建大规模人脸识别（FR）数据集引发了关于面部数据负责任收集和使用的担忧。为防止此类未经授权的利用，我们提出了首个适用于开放集人脸识别的不可学习样本（UE）生成器。该方法将不可感知的噪声注入人脸中，诱导出捷径，阻止FR模型从受保护数据中学习语义特征。尽管UE在图像分类中已得到广泛研究，但现有技术（如类别边界UE）不适用于开放集FR：训练和测试身份是分离的，且模型学习的是嵌入几何而非类别边界。我们通过提出三种损失函数来填补这一空白：特征级模糊损失、基于人脸基础模型的残差对齐损失以及增强一致性损失。通过这些损失函数，生成的UE可直接在FR模型的嵌入空间中诱导捷径，同时泛化到跨数据集的未见人脸。大量实验证明了我们方法在多种FR模型上的有效性，以及注入噪声的不可感知性。
Keyword:
Modeling
Faces
Training
Cleaning
Noise
Generators
Toxicology
Face recognition
Learning (artificial intelligence)
Accuracy
unlearnable examples
