感知至关重要：探索针对 GAN 生成假脸图像检测的不可感知且可迁移的反取证
计算机视觉与模式识别
2020-11-02 v1 图像与视频处理
摘要
近来，生成对抗网络（GANs）可生成与真实人脸照片在感知上无法区分的照片级真实假脸图像，推动了假脸检测的研究。尽管假脸取证能取得高检测准确率，其反取证对应方法却较少被研究。此处我们基于对抗攻击，探索针对假脸图像检测更{\textit{不可感知}}且{\textit{可迁移}}的反取证。由于面部与背景区域通常平滑，即便微小扰动也会在假脸图像中造成明显的感知损伤。因此现有对抗攻击作为反取证方法无效。我们的扰动分析揭示了直接应用现有攻击时感知退化问题的直观原因。随后我们提出一种新颖的对抗攻击方法，通过考虑视觉感知在变换色彩域中更适用于图像反取证。该方法简洁而有效，可欺骗基于深度学习与非深度学习的取证检测器，实现更高攻击成功率与显著改善的视觉质量。特别地，当对抗者将不可感知性作为约束时，所提反取证方法在假脸图像上相较两种基线攻击平均攻击成功率提升约 30%。{\textit{更不可感知}}且{\textit{更可迁移}}，所提方法对假脸图像检测提出了新的安全担忧。我们已发布代码供公开使用，并希望所提方法能作为反取证基准在相关取证应用中被进一步探索。
引用
@article{arxiv.2010.15886,
title = {Perception Matters: Exploring Imperceptible and Transferable Anti-forensics for GAN-generated Fake Face Imagery Detection},
author = {Yongwei Wang and Xin Ding and Li Ding and Rabab Ward and Z. Jane Wang},
journal= {arXiv preprint arXiv:2010.15886},
year = {2020}
}