FaceShield：对抗深度伪造 facial image 的防御方法
计算机视觉与模式识别
2025-12-23 v3
摘要
深度伪造在犯罪活动中的日益广泛使用引发了广泛关注。尽管已有大量研究致力于解决此问题，但大多数主要关注深度伪造检测，这些反应性解决方案对于那些不考虑真实性的犯罪尚不够根本。现有的主动防御方法也存在局限，因其仅对特定生成对抗网络 (GAN) 基的深度伪造模型有效，面对基于扩散模型的最新进展应用有限。本文提出一种名为 FaceShield 的主动防御方法，旨在针对由扩散模型 (DM) 生成的深度伪造提出新型防御策略，并通过 facial feature extractor 的操控实现对各种现有 GAN-based 深度伪造模型的防御。我们的方法包含三个主要组件：(i) 操作 DM 的注意力机制，以在去噪过程中排除受保护的 facial features；(ii) 针对突出 facial feature 提取模型以增强对抗性扰动的鲁性；(iii) 采用高斯模糊和低通滤波技术以提高无感知性，同时增强对 JPEG 压缩的鲁性。在 CelebA-HQ 和 VGGFace2-HQ 数据集上的实验结果表明，我们的方法在针对最新基于 DM 的深度伪造模型方面实现了最佳性能，同时对 GAN 展现出良好的可迁移性，并在噪声的无感知性和鲁性方面取得显著提升。代码可在此处获取：https://github.com/kuai-lab/iccv25_faceshield
引用
@article{arxiv.2412.09921,
title = {FaceShield: Defending Facial Image against Deepfake Threats},
author = {Jaehwan Jeong and Sumin In and Sieun Kim and Hannie Shin and Jongheon Jeong and Sang Ho Yoon and Jaewook Chung and Sangpil Kim},
journal= {arXiv preprint arXiv:2412.09921},
year = {2025}
}
备注
Accepted to ICCV 2025. Keywords: Deepfake, Adversarial Attack, Diffusion Models, GANs, Face Swap, Proactive Defense