具有文本控制属性的可迁移对抗人脸攻击

传统的对抗攻击通常在范数约束条件下生成对抗样本，而无约束对抗样本则具有语义上有意义的扰动，形式自由。当前的无约束对抗冒充攻击对对抗人脸属性的控制有限，并且通常可迁移性较低。在本文中，我们提出了一种新颖的文本控制属性攻击（TCA$^2$），以生成由自然语言引导的照片级逼真的对抗冒充人脸。具体地，采用类别级个人softmax向量来精确引导冒充攻击。此外，我们提出了数据和模型增强策略，以实现对未知目标模型的可迁移攻击。最后，利用生成模型（即Style-GAN）合成具有期望属性的冒充人脸。在两个高分辨率人脸识别数据集上的大量实验验证了我们的TCA$^2$方法能够生成自然的文本引导的对抗冒充人脸，且具有高可迁移性。我们还在真实世界的人脸识别系统（即Face++和阿里云）上评估了我们的方法，进一步证明了我们方法的实际潜力。