Adv-Diffusion：基于潜在扩散模型的不可感知对抗人脸身份攻击
计算机视觉与模式识别
2023-12-29 v2 人工智能
摘要
对抗攻击通过向源图像添加扰动以导致目标模型误分类，这展示了攻击人脸识别模型的潜力。现有的对抗人脸图像生成方法由于迁移性低和可检测性高，仍无法达到令人满意的性能。在本文中，我们提出了一个统一框架 Adv-Diffusion，它可以在潜在空间而非原始像素空间中生成不可感知的对抗身份扰动，该框架利用潜在扩散模型强大的图像修复能力来生成逼真的对抗图像。具体而言，我们提出了身份敏感条件扩散生成模型，以在周围环境中生成语义扰动。设计的基于自适应强度的对抗扰动算法能够同时保证攻击的迁移性和隐蔽性。在公开的 FFHQ 和 CelebA-HQ 数据集上进行的大量定性和定量实验证明，与 SOTA 方法相比，所提出的方法在没有额外生成模型训练过程的情况下取得了优越的性能。源代码可在 https://github.com/kopper-xdu/Adv-Diffusion 获取。
引用
@article{arxiv.2312.11285,
title = {Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model},
author = {Decheng Liu and Xijun Wang and Chunlei Peng and Nannan Wang and Ruiming Hu and Xinbo Gao},
journal= {arXiv preprint arXiv:2312.11285},
year = {2023}
}
备注
Accepted by AAAI 2024