面向形变攻击最小代价生成——用于形变对选择和改进形变攻击检测的深层嵌入
计算机视觉与模式识别
2024-10-21 v2
摘要
人脸形变攻击（Face Morphing Attacks）对身份文档的安全性构成威胁，尤其针对后续的访问控制过程，因其可使所涉双方均利用同一文档。本研究中，人脸嵌入（face embeddings）服务于两个目的：为大规模形变攻击生成预选图像，以及检测潜在的形变攻击。我们在两种用例中基于 MagFace 模型沿用先前的嵌入研究。对于第一个目标，我们采用一种基于人脸嵌入相似度为个体配对的预选算法。我们量化不同形变人脸图像的攻击潜力，以比较预选在自动生成大量成功形变攻击中的可用性。关于第二个目标，我们比较了两个最先进人脸识别系统的嵌入在检测形变攻击能力上的差异。我们的结果表明，ArcFace 与 MagFace 为图像预选提供了有价值的人脸嵌入。开源与 COTS 人脸识别系统均易受生成攻击的影响，尤其在预选基于嵌入而非仅受软生物特征约束的随机配对时。更准确的人脸识别系统对攻击表现出更大脆弱性，其中 COTS 系统最为易感。此外，与先前使用的 ArcFace 嵌入相比，MagFace 嵌入作为检测形变人脸图像的稳健替代方案。结果支持了人脸嵌入在更有效图像预选与精确检测形变人脸图像方面的优势，这由对各种设计攻击的广泛分析所佐证。MagFace 模型被证明是常用 ArcFace 模型在两项目标（预选与攻击检测）上的有力替代。
引用
@article{arxiv.2305.18216,
title = {Towards minimizing efforts for Morphing Attacks -- Deep embeddings for morphing pair selection and improved Morphing Attack Detection},
author = {Roman Kessler and Kiran Raja and Juan Tapia and Christoph Busch},
journal= {arXiv preprint arXiv:2305.18216},
year = {2024}
}