Worst-Case Morphs using Wasserstein ALI and Improved MIPGAN

要約

モーフは 2 つの別々の顔画像を組み合わせたもので、2 人の異なる人物の識別情報が含まれています。
身分証明書で使用すると、生体認証顔認識 (FR) システムによって両方の人物を認証できます。
モーフは、ランドマークベースのアプローチ、または敵対的生成ネットワーク (GAN) などの深層学習に基づくアプローチのいずれかを使用して生成できます。
最近の論文で、FR システムにとってモーフィング攻撃がどれほど困難であるかについて \emph{最悪の場合} の上限を導入しました。
モーフがこの上限に近づくほど、FR に対する課題は大きくなります。
既知の FR システム (ホワイト ボックス) ではこの上限に近似するモーフを生成できるが、未知 (ブラック ボックス) の FR システムでは生成できないアプローチを導入しました。
本稿では、FR方式が不明な場合でもワーストケースモーフを近似できるモーフ生成手法を紹介する。
主な貢献は、トレーニング中に \emph{} 難しいモーフを生成するという目標を組み込んだことです。
私たちの手法は敵対的学習推論 (ALI) に基づいており、GAN のトレーニングを安定させるために導入された、勾配ペナルティでトレーニングされた Wasserstein GAN の概念を使用しています。
トレーニングの安定性において同様の改善を達成するためにこれらの概念を組み込み、その結果として得られるメソッドを Wasserstein ALI (WALI) と呼びます。
顔画像内のアイデンティティ情報を操作する能力を向上させるために特別に設計された損失関数を使用して WALI を微調整し、FR システムにとってランドマークまたは GAN ベースのモーフよりも困難なモーフを生成する方法を示します。
また、既存の StyleGAN ベースのモーフ ジェネレーターである MIPGAN を改善するために私たちの発見をどのように使用できるかについても説明します。

要約(オリジナル)

A morph is a combination of two separate facial images and contains identity information of two different people. When used in an identity document, both people can be authenticated by a biometric Face Recognition (FR) system. Morphs can be generated using either a landmark-based approach or approaches based on deep learning such as Generative Adversarial Networks (GAN). In a recent paper, we introduced a \emph{worst-case} upper bound on how challenging morphing attacks can be for an FR system. The closer morphs are to this upper bound, the bigger the challenge they pose to FR. We introduced an approach with which it was possible to generate morphs that approximate this upper bound for a known FR system (white box), but not for unknown (black box) FR systems. In this paper, we introduce a morph generation method that can approximate worst-case morphs even when the FR system is not known. A key contribution is that we include the goal of generating difficult morphs \emph{during} training. Our method is based on Adversarially Learned Inference (ALI) and uses concepts from Wasserstein GANs trained with Gradient Penalty, which were introduced to stabilise the training of GANs. We include these concepts to achieve similar improvement in training stability and call the resulting method Wasserstein ALI (WALI). We finetune WALI using loss functions designed specifically to improve the ability to manipulate identity information in facial images and show how it can generate morphs that are more challenging for FR systems than landmark- or GAN-based morphs. We also show how our findings can be used to improve MIPGAN, an existing StyleGAN-based morph generator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google