UnGANable：抵御基于 GAN 的人脸篡改
密码学与安全
2022-10-04 v1 计算机视觉与模式识别
机器学习
摘要
Deepfakes 对我们的社会构成严重的视觉虚假信息威胁。一个典型的 deepfake 应用是人脸篡改，即修改图像中受害者的面部属性，例如改变其年龄或发色。最先进的人脸篡改技术依赖于生成对抗网络（GANs）。本文中，我们提出首个防御系统，即 UnGANable，以抵御基于 GAN 反演的人脸篡改。具体而言，UnGANable 侧重于防御 GAN 反演这一人脸篡改的关键步骤。其核心技术在图像空间中于原始图像（称为目标图像）周围搜索替代图像（称为伪装图像）。当发布于线上时，这些伪装图像可破坏 GAN 反演过程。我们考虑两种最先进的反演技术，包括基于优化的反演和混合反演，并根据防御者的背景知识在五种场景下设计五种不同的防御。在由两个基准人脸数据集上训练的四个流行 GAN 模型上的大量实验表明，UnGANable 取得了显著的效用与有效性表现，并优于多种基线方法。我们进一步研究了四种自适应对手以绕过 UnGANable，并表明其中部分方法略具成效。
引用
@article{arxiv.2210.00957,
title = {UnGANable: Defending Against GAN-based Face Manipulation},
author = {Zheng Li and Ning Yu and Ahmed Salem and Michael Backes and Mario Fritz and Yang Zhang},
journal= {arXiv preprint arXiv:2210.00957},
year = {2022}
}
备注
Accepted by USENIX Security 2023