TAFIM：针对面部图像篡改的定向对抗攻击

面部篡改方法可能被滥用，从而影响个人隐私或传播虚假信息。为此，我们引入了一种新颖的数据驱动方法，该方法生成嵌入在原始图像中的特定于图像的扰动。其核心思想是，这些受保护的图像通过使篡改模型产生预定义的篡改目标（在我们的案例中为均匀着色的输出图像）而非实际篡改，来阻止面部篡改。此外，我们提出利用可微压缩近似，从而使生成的扰动对常见图像压缩具有鲁棒性。为了同时防御多种篡改方法，我们进一步提出了一种新颖的基于注意力的特定篡改扰动融合方法。与为每张图像单独优化噪声模式的传统对抗攻击相比，我们的广义模型只需一次前向传递，因此运行速度快了数个数量级，并允许轻松集成到图像处理栈中，甚至在智能手机等资源受限的设备上也是如此。