利用 GAN 生成器作为分布约束从特征重建人脸
计算机视觉与模式识别
2022-06-10 v1
摘要
基于深度卷积神经网络（CNN）的人脸识别凭借所提取的高判别性特征展现出优越的准确率性能。然而，深度学习模型提取的特征（深度特征）的安全性与隐私性常被忽视。本文将无需访问 CNN 网络配置而从深度特征重建人脸图像的问题表述为一个约束优化问题。该优化最小化原始人脸图像与重建人脸图像所提取特征之间的距离。我们创新性地不直接在图像空间中求解该优化问题，而是通过寻找 GAN 生成器的潜向量来重构问题，进而用它生成人脸图像。在该新颖框架中，GAN 生成器起到双重作用，即优化目标的人脸分布约束与人脸生成器。在此新颖优化任务之上，我们还提出了一种基于生成人脸图像冒充目标用户的攻击流程。我们的结果表明，在类型-I 攻击 @ FAR 为 0.1% 下，所生成的人脸图像在 LFW 上达到了 98.0% 的当前最优成功攻击率。我们的工作为生物特征部署满足隐私保护与安全策略提供了启示。
引用
@article{arxiv.2206.04295,
title = {Reconstruct Face from Features Using GAN Generator as a Distribution Constraint},
author = {Xingbo Dong and Zhihui Miao and Lan Ma and Jiajun Shen and Zhe Jin and Zhenhua Guo and Andrew Beng Jin Teoh},
journal= {arXiv preprint arXiv:2206.04295},
year = {2022}
}