基于扩散模型的对抗性身份操控以实现面部隐私保护

面部识别（FR）系统的成功导致了由于潜在的未授权监视和社交网络用户跟踪而引发的严重隐私 concerns。现有方法生成的自然面部图像无法保护面部隐私。本文提出一种基于扩散的对抗性身份操控方法（DiffAIM），以生成自然且高度可迁移的对抗性人脸，以抵御恶意FR系统。具体而言，我们在扩散模型的低维潜在空间中操控面部身份。这涉及在逆扩散过程中逐步注入基于梯度的对抗性身份指导，逐渐引导生成以达到所需的对抗性人脸。该指导针对身份收敛性优化为目标，同时促进与来源之间的语义差异，促进有效的伪装同时保持视觉自然性。我们进一步采用结构保持规则，以在操控期间保持面部结构一致性。大量实验在面部验证和识别任务上表明，与现有方法相比，DiffAIM实现了更强的黑箱攻击迁移性，同时保持卓越的视觉质量。我们还展示了该方法对商业FR API（包括Face++和Aliyun）的有效性。