基于生成对抗网络的可迁移反取证攻击及其对取证 CNN 的攻击
计算机视觉与模式识别
2021-01-26 v1 图像与视频处理
摘要
随着深度学习的发展，卷积神经网络（CNNs）已广泛用于多媒体取证中，以完成诸如检测和识别图像伪造等任务。与此同时，反取证攻击被开发出来以欺骗这些基于 CNN 的取证算法。先前的反取证攻击通常旨在去除单一篡改操作而非一组操作所留下的伪造痕迹。此外，近期研究表明，现有的针对取证 CNN 的反取证攻击可迁移性差，即它们无法欺骗在训练时未被显式使用的其他取证 CNN。本文中，我们提出一种新的反取证攻击框架，旨在去除多种篡改操作留下的取证痕迹。该攻击具有可迁移性，即它可用于攻击攻击者未知的取证 CNN，且只引入人眼不可察觉的最小失真。我们提出的攻击利用生成对抗网络（GAN）来构建可攻击任意尺寸彩色图像的生成器。我们通过使用新的训练策略和损失函数实现攻击的可迁移性。我们进行了大量实验以证明我们的攻击能够欺骗许多最先进的取证 CNN，且攻击者所掌握的知识水平各异。
引用
@article{arxiv.2101.09568,
title = {A Transferable Anti-Forensic Attack on Forensic CNNs Using A Generative Adversarial Network},
author = {Xinwei Zhao and Chen Chen and Matthew C. Stamm},
journal= {arXiv preprint arXiv:2101.09568},
year = {2021}
}
备注
Submitted to IEEE Transactions on Information Forensics and Security