論文の概要: Can GAN Generated Morphs Threaten Face Recognition Systems Equally as
Landmark Based Morphs? -- Vulnerability and Detection
- arxiv url: http://arxiv.org/abs/2007.03621v1
- Date: Tue, 7 Jul 2020 16:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 20:46:01.773895
- Title: Can GAN Generated Morphs Threaten Face Recognition Systems Equally as
Landmark Based Morphs? -- Vulnerability and Detection
- Title(参考訳): GANはランドマークベースの形態と同等の顔認識システムを生成することができるか?
--脆弱性と検出
- Authors: Sushma Venkatesh, Haoyu Zhang, Raghavendra Ramachandra, Kiran Raja,
Naser Damer, Christoph Busch
- Abstract要約: 本稿では,新たなGAN(Generative Adversarial Network)-StyleGANを用いた顔形態生成フレームワークを提案する。
2500枚の顔画像が新たに作成された形態データセットでは、この研究に批判的な疑問が浮かび上がっている。
- 参考スコア(独自算出の注目度): 22.220940043294334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The primary objective of face morphing is to combine face images of different
data subjects (e.g. a malicious actor and an accomplice) to generate a face
image that can be equally verified for both contributing data subjects. In this
paper, we propose a new framework for generating face morphs using a newer
Generative Adversarial Network (GAN) - StyleGAN. In contrast to earlier works,
we generate realistic morphs of both high-quality and high resolution of
1024$\times$1024 pixels. With the newly created morphing dataset of 2500
morphed face images, we pose a critical question in this work. \textit{(i) Can
GAN generated morphs threaten Face Recognition Systems (FRS) equally as
Landmark based morphs?} Seeking an answer, we benchmark the vulnerability of a
Commercial-Off-The-Shelf FRS (COTS) and a deep learning-based FRS (ArcFace).
This work also benchmarks the detection approaches for both GAN generated
morphs against the landmark based morphs using established Morphing Attack
Detection (MAD) schemes.
- Abstract(参考訳): フェイスモーフィングの主な目的は、異なるデータ主題(例えば、悪意のあるアクターと共犯者)の顔画像を組み合わせて、貢献するデータ主題の両方に対して等しく検証可能な顔画像を生成することである。
本稿では,新たなgan(generative adversarial network)-styleganを用いた顔形態生成のための新しいフレームワークを提案する。
従来の作品とは対照的に、1024$\times$1024ピクセルの高画質と高画質の両方の現実的な形態を生成する。
2500種類の顔画像から新たに作成されたモーフィングデータセットは,本研究において重要な疑問を呈する。
\textit{(i) GAN 生成形態はランドマークベース形態と等しく顔認識システム(FRS)を脅かすことができるか?
} 回答を見てみると,Commercial-Off-The-Shelf FRS (COTS) とディープラーニングベースの FRS (ArcFace) の脆弱性をベンチマークする。
この研究は、確立されたモルフィング攻撃検出(MAD)スキームを用いて、ランドマークに基づく形態に対して、両方のGAN生成形態に対する検出アプローチをベンチマークする。
関連論文リスト
- SDeMorph: Towards Better Facial De-morphing from Single Morph [0.0]
顔認識システム(FRS)はモルヒネ攻撃に対して脆弱である。
現在のMorph Detection (MAD)は、その形態を検出できるが、その形態を生成するために使われるアイデンティティを回復できない。
SDeMorphは参照のない新しいデモルフィング法であり,ボナファイドのアイデンティティを復元する。
論文 参考訳(メタデータ) (2023-08-22T13:46:12Z) - Single-Shot Implicit Morphable Faces with Consistent Texture
Parameterization [91.52882218901627]
本稿では,3次元形態素な顔モデルを構築するための新しい手法を提案する。
本手法は, 最先端手法と比較して, フォトリアリズム, 幾何, 表現精度を向上する。
論文 参考訳(メタデータ) (2023-05-04T17:58:40Z) - MorphGANFormer: Transformer-based Face Morphing and De-Morphing [55.211984079735196]
顔変形に対するスタイルGANベースのアプローチが主要な技術である。
本稿では,顔の変形に対する変換器ベースの代替手段を提案し,その利点をStyleGANベースの方法と比較した。
論文 参考訳(メタデータ) (2023-02-18T19:09:11Z) - MorDIFF: Recognition Vulnerability and Attack Detectability of Face
Morphing Attacks Created by Diffusion Autoencoders [10.663919597506055]
顔のモーフィング攻撃は画像レベルでも表現レベルでも生成される。
拡散オートエンコーダモデルの最近の進歩は、GANの限界を克服し、高い再構成忠実度を実現している。
本研究では,拡散オートエンコーダを用いて顔形態形成攻撃を画像レベルおよび表現レベルの幅広い形態と比較する。
論文 参考訳(メタデータ) (2023-02-03T16:37:38Z) - Facial De-morphing: Extracting Component Faces from a Single Morph [12.346914707006773]
モルヒネ攻撃検出戦略は モルヒネを検出できるが 画像や身元を復元できない
そこで本研究では,顔画像から両アイデンティティの画像を同時に復元できる新しいデモーフィング手法を提案する。
論文 参考訳(メタデータ) (2022-09-07T05:01:02Z) - Are GAN-based Morphs Threatening Face Recognition? [3.0921354926071274]
本稿では,4種類のモーフィング攻撃のためのデータセットと対応するコードを提供することにより,このギャップを埋める。
また、4つの最先端の顔認識システムの脆弱性を評価するための広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-05-05T08:19:47Z) - Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。
本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
論文 参考訳(メタデータ) (2022-04-26T14:36:06Z) - A Face Recognition System's Worst Morph Nightmare, Theoretically [0.0]
顔認識システム(FRS)はモルヒネ攻撃に弱いが、ほとんどの研究はランドマークベースのモルヒネに重点を置いている。
本稿では,学習の容易さの利点を生かした,第3の異なる形態を創出する手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T14:09:47Z) - One Shot Face Swapping on Megapixels [65.47443090320955]
本稿では,顔面スワッピング(略してMegaFS)における最初のメガピクセルレベル法を提案する。
本手法の成功に対する3つの新しい貢献は,顔の完全な表現,安定したトレーニング,限られたメモリ使用量である。
論文 参考訳(メタデータ) (2021-05-11T10:41:47Z) - DotFAN: A Domain-transferred Face Augmentation Network for Pose and
Illumination Invariant Face Recognition [94.96686189033869]
本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。
DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。
実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
論文 参考訳(メタデータ) (2020-02-23T08:16:34Z) - Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。
我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。
CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
論文 参考訳(メタデータ) (2020-01-12T05:26:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。