面向DeepFake人脸替换的鲁棒性保护扰动
计算机视觉与模式识别
2025-12-09 v1 人工智能
密码学与安全
机器学习
摘要
DeepFake人脸替换能够实现高度逼真的身份伪造，带来严重的隐私和安全风险。常见的防御方法通过嵌入不可见的扰动来实现，但这些扰动容易被基本变换（如压缩或调整大小）所破坏。本文首先系统分析了30种变换及其六大类别，表明防御鲁棒性对训练变换的选择高度敏感，使得标准的基于统一抽样的变换期望(EOT)方法 Fundamentally 次优。针对此现象，我们提出基于学习变换分布的期望(EOLT)，将变换分布视为可学习组件而非固定设计选择。具体而言，EOLT采用策略网络学习自动优先关键变换，并通过强化学习生成实例特定的扰动，从而显式建模防御瓶颈，同时保持广泛的可迁移性。大量实验表明，我们的方法在state-of-the-art方法上实现显著提升，平均鲁棒性提高26%，在具有挑战性的变换类别中提升最高可达30%。
引用
@article{arxiv.2512.07228,
title = {Towards Robust Protective Perturbation against DeepFake Face Swapping},
author = {Hengyang Yao and Lin Li and Ke Sun and Jianing Qiu and Huiping Chen},
journal= {arXiv preprint arXiv:2512.07228},
year = {2025}
}