保护人脸隐私：通过风格鲁棒妆容迁移生成对抗身份掩码
计算机视觉与模式识别
2022-03-29 v2 密码学与安全
摘要
尽管深度人脸识别（FR）系统在识别与验证中展现出惊人性能，但其对用户的过度监控也引发了隐私担忧，尤其是社交网络上广泛传播的公共人脸图像。近来，一些研究采用对抗样本来保护照片不被未授权人脸识别系统识别。然而，现有的对抗人脸图像生成方法存在诸多局限，如视觉不自然、白盒设定、迁移性弱，难以实际应用于人脸隐私保护。本文提出对抗妆容迁移GAN（AMT-GAN），一种新的人脸保护方法，旨在同时构建具有更强黑盒迁移性与更好视觉质量的对抗人脸图像。AMT-GAN利用生成对抗网络（GAN）合成从参考图像迁移妆容的对抗人脸图像。特别地，我们引入一种新的正则化模块与联合训练策略，以调和对抗噪声与妆容迁移中循环一致性损失之间的冲突，在攻击强度与视觉变化间取得理想平衡。大量实验验证，与当前最优方法相比，AMT-GAN不仅能保持舒适的视觉质量，还能在包括Face++、阿里云和微软在内的商业FR API上实现更高的攻击成功率。
引用
@article{arxiv.2203.03121,
title = {Protecting Facial Privacy: Generating Adversarial Identity Masks via Style-robust Makeup Transfer},
author = {Shengshan Hu and Xiaogeng Liu and Yechao Zhang and Minghui Li and Leo Yu Zhang and Hai Jin and Libing Wu},
journal= {arXiv preprint arXiv:2203.03121},
year = {2022}
}
备注
Accepted by CVPR2022. Code is available at https://github.com/CGCL-codes/AMT-GAN