DOOMGAN：高保真动态身份隐去眼部生成形态
计算机视觉与模式识别
2025-07-24 v1
摘要
可见光谱下的眼部生物识别因其高精度、抗欺骗性和非侵入性而成为重要的生物识别模态。然而，形态化攻击（即通过混合来自多个个体的特征创建的人工合成生物特征）威胁着生物识别系统的完整性。虽然针对近红外虹膜和人脸生物识别的形态化攻击已广泛研究，但在可见光谱眼部数据的形态化研究仍不充分。模拟此类攻击需要处理不受控制条件下的高级生成模型，同时保留眼部细节（如虹膜边界和周围眼部纹理）。为此，我们引入DOOMGAN，其包含基于地标驱动的可见眼部解剖编码、注意力引导的生成以实现逼真形态合成，以及多方面损失的动态加权以实现优化收敛。DOOMGAN在严格阈值条件下实现了超过20%的更高攻击成功率，同时实现了20%更好的椭圆形虹膜结构生成和30%改进的注视点一致性。我们也首次发布了综合性的眼部形态化数据集，以支持该领域的进一步研究。
引用
@article{arxiv.2507.17158,
title = {DOOMGAN:High-Fidelity Dynamic Identity Obfuscation Ocular Generative Morphing},
author = {Bharath Krishnamurthy and Ajita Rattani},
journal= {arXiv preprint arXiv:2507.17158},
year = {2025}
}
备注
Accepted to IJCB 2025 (IEEE/IAPR International Joint Conference on Biometrics). 11 pages with references, 8-page main paper with 4 figures and 4 tables. Includes 6 pages of supplementary material with 3 additional figures and 3 tables. Code is available at the official lab repository: https://github.com/vcbsl/DOOMGAN and the author's repository: https://github.com/Bharath-K3/DOOMGAN