MorDIFF：基于扩散自编码器生成的人脸变形攻击的识别漏洞与攻击可检测性
计算机视觉与模式识别
2023-03-14 v2
摘要
研究创建人脸变形攻击的新方法对于预见新型攻击并帮助缓解至关重要。创建变形攻击通常在图像层面或表示层面进行。迄今为止，表示层面变形基于生成对抗网络（GAN）执行，其中编码图像在潜空间中被插值，以基于插值向量生成变形图像。此类过程受限于GAN架构有限的重建保真度。扩散自编码器模型的最新进展克服了GAN的局限性，实现了高重建保真度。这在理论上使它们成为执行表示层面人脸变形的完美候选者。本工作研究使用扩散自编码器创建人脸变形攻击，并将其与广泛的图像层面和表示层面变形进行比较。我们在四个最先进的人脸识别模型上的漏洞分析表明，此类模型对创建的攻击（MorDIFF）高度脆弱，尤其是与现有表示层面变形相比。还对MorDIFF进行了详细的可检测性分析，表明它们与其他在图像或表示层面创建的变形攻击一样难以检测。数据和变形脚本已公开：https://github.com/naserdamer/MorDIFF。
引用
@article{arxiv.2302.01843,
title = {MorDIFF: Recognition Vulnerability and Attack Detectability of Face Morphing Attacks Created by Diffusion Autoencoders},
author = {Naser Damer and Meiling Fang and Patrick Siebke and Jan Niklas Kolf and Marco Huber and Fadi Boutros},
journal= {arXiv preprint arXiv:2302.01843},
year = {2023}
}
备注
Accepted at the 11th International Workshop on Biometrics and Forensics 2023 (IWBF 2023)