Approximating Optimal Morphing Attacks using Template Inversion

要約

最近の研究では、反転顔認識システムの実現可能性を実証し、埋め込みのみを使用して説得力のある顔画像を復元できるようにしました。
私たちは、このようなテンプレート反転モデルを利用して、ソース画像の顔埋め込みの平均として得られる理論的に最適なモーフ埋め込みの反転に基づいた、新しいタイプのディープ モーフィング攻撃を開発します。
このアプローチの 2 つのバリエーションを試します。1 つ目は、完全に自己完結型の埋め込みから画像への反転モデルを活用し、2 つ目は、モーフのリアリズムを向上させるために事前トレーニングされた StyleGAN ネットワークの合成ネットワークを活用します。
私たちは、いくつかのソース データセットからモーフィング攻撃を生成し、いくつかの顔認識ネットワークに対するそれらの攻撃の有効性を研究します。
私たちの手法は、ホワイト ボックス攻撃シナリオとブラック ボックス攻撃シナリオの両方において、有効性の点でディープ ラーニング ベースのモーフ生成の従来の最先端技術と競合し、常にそれを上回ることができ、さらに実行速度もはるかに高速であることを示します。
これにより、検出モデルをトレーニングするための大規模ディープ モーフ データセットの開発が促進されることを期待しています。

要約(オリジナル)

Recent works have demonstrated the feasibility of inverting face recognition systems, enabling to recover convincing face images using only their embeddings. We leverage such template inversion models to develop a novel type ofdeep morphing attack based on inverting a theoretical optimal morph embedding, which is obtained as an average of the face embeddings of source images. We experiment with two variants of this approach: the first one exploits a fully self-contained embedding-to-image inversion model, while the second leverages the synthesis network of a pretrained StyleGAN network for increased morph realism. We generate morphing attacks from several source datasets and study the effectiveness of those attacks against several face recognition networks. We showcase that our method can compete with and regularly beat the previous state of the art for deep-learning based morph generation in terms of effectiveness, both in white-box and black-box attack scenarios, and is additionally much faster to run. We hope this might facilitate the development of large scale deep morph datasets for training detection models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google