ID-Guard：针对人脸操纵的通用框架，通过破坏识别实现防御
计算机视觉与模式识别
2025-04-11 v2 人工智能
摘要
深度学习驱动的人脸操纵滥用构成对公民权益的严重威胁。为源头防御此类欺诈，一种新颖的防御方法被提出，通过向图像中添加不可见的对抗性扰动来干扰操纵过程，使伪造输出对观察者而言不够真实。然而，针对输出的非特定干扰可能导致可识别人脸特征得以保留，从而引发对个体的污名化。本文提出了一种针对人脸操纵的通用框架，称为ID-Guard。具体而言，该框架仅需对编码器-解码器网络执行一次前向传播即可生成跨模型可迁移的对抗性扰动。引入了一种新颖的身份破坏模块（IDM），用于降低伪造人脸中可识别特征的质量。我们通过将不同人脸操纵方式的干扰建模为多任务学习问题来优化扰动生成，并设计了动态权重策略以提升跨模型性能。实验结果表明，所提出的ID-Guard在防御各种人脸操纵模型方面具有强大的有效性，有效降低了操纵图像中可识别区域。它还能使被干扰图像躲避人脸填充和图像识别系统。此外，ID-Guard可无缝地作为即插即用组件集成到其他任务中，例如对抗训练。
引用
@article{arxiv.2409.13349,
title = {ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification},
author = {Zuomin Qu and Wei Lu and Xiangyang Luo and Qian Wang and Xiaochun Cao},
journal= {arXiv preprint arXiv:2409.13349},
year = {2025}
}