論文の概要: Adversarially Perturbed Wavelet-based Morphed Face Generation

• arxiv url: http://arxiv.org/abs/2111.01965v1
• Date: Wed, 3 Nov 2021 01:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:48:56.434945
• Title: Adversarially Perturbed Wavelet-based Morphed Face Generation
• Title（参考訳）: 逆摂動ウェーブレットによる形態素顔生成
• Authors: Kelsey O'Haire, Sobhan Soleymani, Baaria Chaudhary, Poorya Aghdaie, Jeremy Dawson, Nasser M. Nasrabadi
• Abstract要約: モールフド画像は、顔認識システムを騙して、複数の人を誤って受け入れる。 画像合成が簡単になるにつれて、研究コミュニティの利用可能なデータを拡張することが不可欠である。 両方の手法を用いて、FERET, FRGC, FRLLデータセットから高品質な逆向き摂動を生成する。
• 参考スコア（独自算出の注目度）: 16.98806338782858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Morphing is the process of combining two or more subjects in an image in order to create a new identity which contains features of both individuals. Morphed images can fool Facial Recognition Systems (FRS) into falsely accepting multiple people, leading to failures in national security. As morphed image synthesis becomes easier, it is vital to expand the research community's available data to help combat this dilemma. In this paper, we explore combination of two methods for morphed image generation, those of geometric transformation (warping and blending to create morphed images) and photometric perturbation. We leverage both methods to generate high-quality adversarially perturbed morphs from the FERET, FRGC, and FRLL datasets. The final images retain high similarity to both input subjects while resulting in minimal artifacts in the visual domain. Images are synthesized by fusing the wavelet sub-bands from the two look-alike subjects, and then adversarially perturbed to create highly convincing imagery to deceive both humans and deep morph detectors.
• Abstract（参考訳）: モーフィング(英: Morphing)とは、画像中の2つ以上の主題を組み合わせて、両方の個人の特徴を含む新しいアイデンティティを作成する過程である。 モールフされた画像は、顔認識システム(FRS)を騙して複数の人を誤って受け入れ、国家安全保障の失敗に繋がる。 画像合成が容易になるにつれて、このジレンマと戦うために研究コミュニティの利用可能なデータを拡張することが不可欠である。 本稿では, 変形画像生成のための2つの手法, 幾何変換(変形とブレンディングによる変形画像の生成)と光度摂動の組み合わせについて検討する。 両手法を用いて、FERET, FRGC, FRLLデータセットから高品質な逆摂動形態を生成する。 最終的な画像は両方の入力対象と高い類似性を保ちながら、視覚領域における最小のアーティファクトを生成する。 画像は2つの被写体からウェーブレットサブバンドを融合させて合成され、逆向きに摂動して、人間と深層モルヒネ検出器の両方を騙す高精細な画像を生成する。

関連論文リスト

• dc-GAN: Dual-Conditioned GAN for Face Demorphing From a Single Morph [10.902536447343465]
  そこで本研究では, モーフィック画像に条件付き新規なGANデモルフィック法であるdc-GANを提案する。 提案手法は, 形態の再現性を克服し, ボナフィド画像の高品質な再構成を行う。
  論文  参考訳（メタデータ） (2024-11-20T19:24:30Z)
• Facial Demorphing via Identity Preserving Image Decomposition [10.902536447343465]
  モルヒネ攻撃検出技術は ボナファイドの情報を抽出しない 参照不要でボナファイドを高精度に回収する手法を提案する。 本手法は, 高品質なボナファイドを定義・忠実度で再構成する。
  論文  参考訳（メタデータ） (2024-08-20T16:42:11Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• 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)
• Landmark Enforcement and Style Manipulation for Generative Morphing [24.428843425522107]
  本稿では,この問題を解決するためにランドマーク法を導入し,新しいスタイルGAN形態生成手法を提案する。 本モデルの潜伏空間の探索は主成分分析 (PCA) を用いて行われ, 両面が変形した潜伏表現に与える影響を強調した。 形態素の高周波再構成を改善するため,StyleGAN2モデルにおける雑音入力のトレインビリティについて検討した。
  論文  参考訳（メタデータ） (2022-10-18T22:10:25Z)
• 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)
• Cross-View Panorama Image Synthesis [68.35351563852335]
  PanoGANは、新しい敵対的フィードバックGANフレームワークである。 PanoGANは、最先端のアプローチよりもより説得力のある、高品質なパノラマ画像生成を可能にする。
  論文  参考訳（メタデータ） (2022-03-22T15:59:44Z)
• DVG-Face: Dual Variational Generation for Heterogeneous Face Recognition [85.94331736287765]
  我々は、HFRを二重生成問題として定式化し、新しいDual Variational Generation(DVG-Face)フレームワークを用いてそれに取り組む。 大規模可視データの豊富なアイデンティティ情報を結合分布に統合する。 同一の同一性を持つ多種多様な多種多様な画像は、ノイズから生成することができる。
  論文  参考訳（メタデータ） (2020-09-20T09:48:24Z)
• Multi-Margin based Decorrelation Learning for Heterogeneous Face Recognition [90.26023388850771]
  本稿では,超球面空間におけるデコリレーション表現を抽出するディープニューラルネットワーク手法を提案する。 提案するフレームワークは,不均一表現ネットワークとデコリレーション表現学習の2つのコンポーネントに分けることができる。 2つの難解な異種顔データベースに対する実験結果から,本手法は検証タスクと認識タスクの両方において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-05-25T07:01:12Z)
• 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。