基于对比扰动的黑盒攻击方法对抗 GAN 生成图像检测器
计算机视觉与模式识别
2022-11-08 v1 密码学与安全
摘要
视觉逼真的 GAN 生成人脸图像引发了对其潜在滥用的明显担忧。近年来，许多有效的取证算法已被开发用于检测此类合成图像。评估此类取证检测器面对对抗攻击的脆弱性具有重要意义。本文提出一种针对 GAN 生成图像检测器的新型黑盒攻击方法。采用一种新颖的对比学习策略，在对比损失函数下训练基于编码器-解码器网络的反取证模型。将 GAN 图像及其模拟的真实对应图像分别构建为正样本和负样本。利用训练好的攻击模型，可对输入合成图像施加难以察觉的对比扰动，从而在一定程度上去除 GAN 指纹。如此，现有 GAN 生成图像检测器有望被欺骗。大量实验结果验证，该攻击在六个流行 GAN 上有效降低了三个最先进检测器的准确率，同时被攻击图像也保持了高视觉质量。源代码将发布于 https://github.com/ZXMMD/BAttGAND。
引用
@article{arxiv.2211.03509,
title = {Black-Box Attack against GAN-Generated Image Detector with Contrastive Perturbation},
author = {Zijie Lou and Gang Cao and Man Lin},
journal= {arXiv preprint arXiv:2211.03509},
year = {2022}
}