迈向不可感知的对抗防御：抵御面部篡改的梯度驱动防护盾
密码学与安全
2025-10-03 v1
摘要
随着生成模型的繁荣发展，被篡改的面部图像变得日益容易获取，引发了对隐私侵犯和社会信任的担忧。作为回应，主动防御策略将对抗扰动嵌入面部图像中以对抗 deepfake 篡改。然而，现有方法往往面临不可感知性与防御有效性之间的权衡——强扰动可能会破坏伪造图像，但会降低视觉保真度。最近的研究试图通过引入额外的视觉损失约束来解决这个问题，但往往忽略了损失之间潜在的梯度冲突，最终削弱了防御性能。为了弥合这一差距，我们提出了一种基于梯度投影的对抗主动防御(GRASP)方法，该方法能有效对抗面部 deepfake，同时最小化感知退化。GRASP 是首个成功整合结构相似性损失和低频损失以增强扰动不可感知性的方法。通过分析防御有效性损失与视觉质量损失之间的梯度冲突，GRASP 开创性地设计了梯度投影机制来缓解这些冲突，实现了在不牺牲防御性能的情况下保持图像保真度的平衡优化。大量实验验证了 GRASP 的有效性，实现了超过 40 dB 的 PSNR、0.99 的 SSIM，以及对面部属性篡改 100% 的防御成功率，在视觉质量上显著优于现有方法。
引用
@article{arxiv.2510.01699,
title = {Towards Imperceptible Adversarial Defense: A Gradient-Driven Shield against Facial Manipulations},
author = {Yue Li and Linying Xue and Dongdong Lin and Qiushi Li and Hui Tian and Hongxia Wang},
journal= {arXiv preprint arXiv:2510.01699},
year = {2025}
}