Leveraging Diffusion For Strong and High Quality Face Morphing Attacks

要約

顔モーフィング攻撃は、2 つの ID のうちの 1 つで誤認を引き起こすことを目的として、2 つの異なる ID からのバイオメトリック品質で構成されるモーフィングされた画像を提示することにより、顔認識 (FR) システムを欺こうとします。これにより、バイオメトリック システムに重大な脅威がもたらされます。
.
モーフィング攻撃の成功は、モーフィングされた画像が、画像の作成に使用された両方の ID のバイオメトリック特性を表す能力に依存します。
拡散ベースのアーキテクチャを使用して画像の視覚的忠実度を向上させ、モーフィング攻撃が両方のアイデンティティからの特徴を表現する能力を向上させる新しいモーフィング攻撃を提示します。
Frechet Inception Distance を介してその視覚的な忠実度を評価することにより、提案された攻撃の高い忠実度を示します。
提案された攻撃に対する FR システムの脆弱性を測定するために、広範な実験が行われます。
提案された攻撃は、2 つのランドマーク ベースの攻撃と共に、2 つの最先端の GAN ベースのモーフィング攻撃と比較されます。
提案された攻撃を検出するモーフィング攻撃検出器の能力が測定され、他の攻撃と比較されます。
さらに、モーフィング攻撃間の相対的な強度を測定するための新しいメトリックが導入され、評価されます。

要約(オリジナル)

Face morphing attacks seek to deceive a Face Recognition (FR) system by presenting a morphed image consisting of the biometric qualities from two different identities with the aim of triggering a false acceptance with one of the two identities, thereby presenting a significant threat to biometric systems. The success of a morphing attack is dependent on the ability of the morphed image to represent the biometric characteristics of both identities that were used to create the image. We present a novel morphing attack that uses a Diffusion-based architecture to improve the visual fidelity of the image and improve the ability of the morphing attack to represent characteristics from both identities. We demonstrate the high fidelity of the proposed attack by evaluating its visual fidelity via the Frechet Inception Distance. Extensive experiments are conducted to measure the vulnerability of FR systems to the proposed attack. The proposed attack is compared to two state-of-the-art GAN-based morphing attacks along with two Landmark-based attacks. The ability of a morphing attack detector to detect the proposed attack is measured and compared against the other attacks. Additionally, a novel metric to measure the relative strength between morphing attacks is introduced and evaluated.

arxiv情報

著者 Zander Blasingame,Chen Liu
発行日 2023-02-23 22:09:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CR, cs.CV, cs.LG パーマリンク