DiffAM：基于扩散的对抗性化妆迁移用于面部隐私保护

随着人脸识别（FR）系统的快速发展，社交媒体上面部图像的隐私因未经授权的FR系统的滥用而面临严峻挑战。一些研究利用对抗攻击技术，通过生成对抗样本来防御恶意FR系统。然而，生成的对抗样本（即受保护的面部图像）往往视觉质量欠佳且可迁移性低。本文提出了一种新颖的面部保护方法，名为DiffAM，它利用扩散模型的强大生成能力，从参考图像迁移对抗性化妆，生成高质量的受保护面部图像。具体而言，我们首先引入一个卸妆模块，利用在CLIP空间中文本提示引导的微调扩散模型生成无妆图像。作为化妆迁移的逆过程，卸妆可以更容易地建立化妆域与无妆域之间的确定性关系，而无需复杂的文本提示。然后，利用这种关系，引入基于CLIP的化妆损失以及集成攻击策略，共同引导对抗性化妆域的方向，从而生成具有自然妆容和高黑盒可迁移性的受保护面部图像。大量实验表明，与现有技术相比，DiffAM在黑盒设置下实现了更高的视觉质量和攻击成功率，提升了12.98%。代码将在https://github.com/HansSunY/DiffAM提供。