藏在掩护后的人脸：通过扰动面部检测来防御DeepFake
计算机视觉与模式识别
2024-12-03 v1 密码学与安全
摘要
本文探讨了一种被动DeepFake防御框架FacePosion的可行性，旨在阻止个体成为DeepFake视频的受害者。我们的动机源于大多数DeepFake方法依赖面部检测器从视频中自动提取受害者人脸以进行训练或合成（测试）。一旦面部检测器出现故障，提取的人脸将被扭曲或不正确，进而干扰DeepFake模型的训练或合成。为实现这一目标，我们调整了各种对抗性攻击方法，并针对此目的进行专门设计，深入分析了其可行性。基于FacePoison，我们引入VideoFacePoison策略，通过在视频帧之间传播FacePoison，而不是分别对每个帧应用，从而大大减少计算开销，同时保持良好的攻击性能。我们的方法在五个面部检测器上进行验证，并针对十一种不同的DeepFake模型进行大量实验，证明了干扰面部检测以阻碍DeepFake生成的有效性。
关键词
引用
@article{arxiv.2412.01101,
title = {Hiding Faces in Plain Sight: Defending DeepFakes by Disrupting Face Detection},
author = {Delong Zhu and Yuezun Li and Baoyuan Wu and Jiaran Zhou and Zhibo Wang and Siwei Lyu},
journal= {arXiv preprint arXiv:2412.01101},
year = {2024}
}