MIPGAN——基于身份先验驱动 GAN 生成强效高质量换脸攻击

人脸换脸攻击旨在通过利用来自多个数据对象（例如共犯和恶意行为者）的人脸图像来规避人脸识别系统（FRS）。鉴于具有较高面部相似度，变形图像可以以合理的成功率针对贡献数据对象进行验证。换脸攻击的成功与否直接取决于所生成变形图像的质量。我们提出了一种生成强效攻击的新方法，扩展了我们先前用于生成人脸变形的框架。我们提出了一种使用身份先验驱动生成对抗网络的新方法，称之为 MIPGAN（通过身份先验驱动的 GAN 进行变形）。所提出的 MIPGAN 源自 StyleGAN，并采用新构建的损失函数，利用感知质量与身份因子来生成具有最小伪影且高分辨率的优质变形人脸图像。我们通过评估其对基于商业和深度学习的面部识别系统（FRS）的漏洞并展示攻击成功率，证明了所提方法在生成强效换脸攻击方面的适用性。我们开展了大量实验，基于新生成的 MIPGAN 人脸变形数据集，针对数字图像、重新数字化（打印并扫描）图像以及重新数字化后的压缩图像这三类数据，评估 FRS 对所提变形人脸生成技术的漏洞。所得结果表明，所提变形生成方法对 FRS 构成了高度威胁。