针对人脸认证的多任务对抗攻击

基于深度学习的身份管理系统容易受到对抗攻击。然而，现有的攻击通常是单任务设计的，这意味着它们针对单个目标的独特漏洞进行利用，而无法适应多个用户或系统。这一局限性使得它们不适合某些攻击场景，如融合攻击、通用攻击、可迁移攻击和反击攻击。在本文中，我们提出了一种多任务对抗攻击算法MTADV，可以适应多个用户或系统。通过将这些场景解释为多任务攻击，MTADV适用于单任务和多任务攻击，并且在白盒和灰盒设置下均可行。此外，MTADV对各种人脸数据集有效，包括LFW、CelebA和CelebA-HQ，并且可以与不同的深度学习模型配合使用，如FaceNet、InsightFace和CurricularFace。重要的是，MTADV仍然可以作为针对单个用户/系统的单任务攻击而保持可行性。据我们所知，MTADV是第一个能够在一个算法中针对上述所有场景的对抗攻击方法。