用于人脸隐私保护的 3D 感知对抗妆容生成
计算机视觉与模式识别
2023-06-27 v1
摘要
社交媒体上人脸数据的隐私与安全正面临前所未有的挑战，因为它易受未经授权的访问和识别。解决此问题的常见做法是修改原始数据，使其免受恶意人脸识别（FR）系统的识别。然而，现有方法获得的此类“对抗样本”通常存在迁移性低和图像质量差的问题，严重限制了这些方法在真实场景中的应用。在本文中，我们提出了一种 3D 感知对抗妆容生成 GAN（3DAM-GAN），旨在提高用于身份信息隐藏的合成妆容的质量与迁移性。具体而言，设计了一个由新颖妆容调整模块（MAM）和妆容迁移模块（MTM）组成的基于 UV 的生成器，借助人脸的对称特性来渲染真实且鲁棒的妆容。此外，提出了一种具有集成训练策略的妆容攻击机制，以提升黑盒模型的迁移性。在多个基准数据集上的大量实验结果表明，3DAM-GAN 能有效保护人脸免受各种 FR 模型的攻击，包括公开可用的最先进模型和商业人脸验证 API，如 Face++、百度和阿里云。
引用
@article{arxiv.2306.14640,
title = {3D-Aware Adversarial Makeup Generation for Facial Privacy Protection},
author = {Yueming Lyu and Yue Jiang and Ziwen He and Bo Peng and Yunfan Liu and Jing Dong},
journal= {arXiv preprint arXiv:2306.14640},
year = {2023}
}
备注
Accepted by TPAMI 2023