NullSwap：针对 Deepfake 换脸的主动身份隐匿
计算机视觉与模式识别
2025-03-25 v1
摘要
由于生成模型的进步，被动检测高质量 Deepfake 图像面临性能瓶颈，主动扰动通过在良性图像中插入信号来禁用 Deepfake 操纵，提供了一种有前景的方法。然而，现有的主动扰动方法在以下几个方面仍不令人满意：1）由于直接的逐元素相加导致视觉退化；2）对换脸操纵的有效性有限；3）在训练期间不可避免地依赖白盒和灰盒设置来引入生成模型。在本研究中，我们分析了 Deepfake 换脸的本质，并论证了保护源身份而非目标图像的必要性，同时我们提出了 NullSwap，一种在纯黑盒场景下隐匿源图像身份并使换脸失效的新型主动防御方法。我们设计了一个身份提取模块以从源图像中获取面部身份特征，随后设计了一个扰动块以相应地生成身份引导的扰动。同时，特征块提取浅层图像特征，随后在隐匿块中将这些特征与扰动融合以进行图像重建。此外，为了确保在不同换脸算法的身份提取器之间的适应性，我们提出了动态损失加权以自适应地平衡身份损失。实验表明，我们的方法在欺骗各种身份识别模型方面具有卓越能力，在防止换脸模型生成具有正确源身份的图像方面优于 state-of-the-art 的主动扰动方法。
引用
@article{arxiv.2503.18678,
title = {NullSwap: Proactive Identity Cloaking Against Deepfake Face Swapping},
author = {Tianyi Wang and Harry Cheng and Xiao Zhang and Yinglong Wang},
journal= {arXiv preprint arXiv:2503.18678},
year = {2025}
}