PuFace: 抵御面部隐形攻击的 facial recognition 模型防御

最近提出的面部隐形攻击会向面部图像添加不可见的扰动（隐形斗篷），以保护用户免被未经授权的面部识别模型识别。然而，我们表明这些“隐形斗篷”并不够稳健， can be 从图像中去除。本文引入PuFace，一种利用神经网络泛化能力的图像净化系统，通过将被隐形化的图像推向自然（未隐形）图像的流形，从而减轻隐形斗篷的影响，具体而言，我们设计一种净化器，该净化器以包括被隐形和自然图像的所有训练图像为输入，并生成靠近自然图像所在流形的净化后面部图像。为实现防御目标，我们提出在放大后的隐形图像上训练净化器，并采用结合图像损失和特征损失的损失函数。我们的实验表明，PuFace能有效防御两种最先进的面部隐形攻击，在不降低各种面部识别模型正常准确率的前提下，将攻击成功率平均降至7.61%。此外，PuFace是一种模型无关的防御机制，可应用于任何面部识别模型而无需修改模型结构。