这张脸不存在……但可能是你的！生成模型中的身份泄露
计算机视觉与模式识别
2021-01-14 v1
摘要
生成对抗网络（GANs）能够生成“不存在”的物体之高分辨率照片级真实图像。这些合成图像相当难以被检测为伪造。然而，这些生成模型的训练方式暗示了所提供训练数据中信息泄露的可能性，尤其在合成人脸的语境下。本文给出的实验表明，在构建或使用现有模型时，人脸图像中的身份信息可在无任何对抗行为的情况下从训练语料流入合成样本。这引发了与隐私相关的问题，但也促进了对（a）特征空间中人脸流形的特性，以及（b）如何创建不会无意中泄露用于训练的真实受试者身份信息的生成模型的讨论。我们使用了五种不同的人脸匹配器（face_recognition、FaceNet、ArcFace、SphereFace 和 Neurotechnology MegaMatcher）与 StyleGAN2 合成模型，并表明这种身份泄露在某些而非所有方法中确实存在。那么，我们能否说这些合成生成的人脸真正不存在？本文随附真实与合成生成人脸的数据库，以便对所讨论结果进行完全复现。
引用
@article{arxiv.2101.05084,
title = {This Face Does Not Exist ... But It Might Be Yours! Identity Leakage in Generative Models},
author = {Patrick Tinsley and Adam Czajka and Patrick Flynn},
journal= {arXiv preprint arXiv:2101.05084},
year = {2021}
}
备注
To appear at WACV 2021