基于频率受限身份无关攻击的人脸加密

每天有数十亿人在社交媒体上分享他们的日常生活图像。然而，恶意收集者利用深度人脸识别系统可轻易从这些图像中窃取其生物特征信息（如人脸）。一些研究正致力于通过对图像引入难以察觉的扰动来生成加密人脸照片，以减少人脸信息泄露。然而，现有研究需要更强的黑盒场景可行性与更自然的视觉外观，这对隐私保护的可行性提出了挑战。为解决这些问题，我们提出频率受限身份无关（FRIA）框架，在无需访问个人信息的情况下对未授权人脸识别进行人脸图像加密。针对弱黑盒场景可行性，我们观察到多个人脸识别模型中平均特征的表示相似，因此提出利用从互联网爬取的数据集的平均特征作为引导生成的目标，该目标对未知人脸识别系统的身份同样无关；本质上，低频扰动更易被人眼视觉系统察觉。受此启发，我们通过离散余弦变换将扰动限制在低频人脸区域，以实现视觉自然性保证。在若干人脸识别模型上的大量实验表明，我们的FRIA在生成更自然的加密人脸的同时，取得了96%的高黑盒攻击成功率，优于其他最先进方法。此外，我们使用真实世界黑盒商业API验证了FRIA的有效性，揭示了其在实践中的潜力。我们的代码见 https://github.com/XinDong10/FRIA。