論文の概要: A Face Recognition System's Worst Morph Nightmare, Theoretically
- arxiv url: http://arxiv.org/abs/2111.15416v1
- Date: Tue, 30 Nov 2021 14:09:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 20:10:35.111135
- Title: A Face Recognition System's Worst Morph Nightmare, Theoretically
- Title（参考訳）: 顔認識システムの最悪の悪夢、理論的には
- Authors: Una M. Kelly, Raymond Veldhuis, Luuk Spreeuwers
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: It has been shown that Face Recognition Systems (FRSs) are vulnerable to
morphing attacks, but most research focusses on landmark-based morphs. A second
method for generating morphs uses Generative Adversarial Networks, which
results in convincingly real facial images that can be almost as challenging
for FRSs as landmark-based attacks. We propose a method to create a third,
different type of morph, that has the advantage of being easier to train. We
introduce the theoretical concept of \textit{worst-case morphs}, which are
those morphs that are most challenging for a fixed FRS. For a set of images and
corresponding embeddings in an FRS's latent space, we generate images that
approximate these worst-case morphs using a mapping from embedding space back
to image space. While the resulting images are not yet as challenging as other
morphs, they can provide valuable information in future research on Morphing
Attack Detection (MAD) methods and on weaknesses of FRSs. Methods for MAD need
to be validated on more varied morph databases. Our proposed method contributes
to achieving such variation.
- Abstract（参考訳）: 顔認識システム(FRS)はモルヒネ攻撃に弱いことが示されているが、ほとんどの研究はランドマークベースの形態に焦点を当てている。
形態を生成する第2の方法はGenerative Adversarial Networks(ジェネラティブ・アドバイサル・ネットワークズ)を使っており、その結果、FRSにとってランドマークベースの攻撃と同じくらい難しい、説得力のある実際の顔画像が得られる。
本稿では,訓練が容易になるという利点を持つ,第3の異なる形態を創り出す手法を提案する。
我々は、固定された frs に対して最も難しい形態である \textit{worst-case morphs} の理論的な概念を導入する。
FRSの潜伏空間における画像と対応する埋め込みに対して、埋め込み空間から画像空間への写像を用いて、これらの最悪のケース形態を近似した画像を生成する。
得られた画像は、他の形態ほど難しいものではないが、将来のMorphing Detection(MAD)法やFRSの弱点について、貴重な情報を提供することができる。
MADの方法は、より多様な形態データベース上で検証する必要がある。
提案手法は,そのような変動の達成に寄与する。
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) - LADIMO: Face Morph Generation through Biometric Template Inversion with Latent Diffusion [5.602947425285195]
顔改ざん攻撃は、顔認識システムに深刻なセキュリティ脅威をもたらす。
本稿では,2つの顔認識の埋め込みにおいて,表現レベルの顔形態形成手法であるLADIMOを提案する。
顔形態変種は個々の攻撃成功率を持ち、形態的攻撃ポテンシャルを最大化できることを示す。
論文 参考訳（メタデータ） (2024-10-10T14:41:37Z) - Hierarchical Generative Network for Face Morphing Attacks [7.34597796509503]
顔認識システム(FRS)は、複数のアイデンティティを含む形態画像を作成することで、顔認識システム(FRS)を回避している。
本研究では, 画像の品質向上と寄与するアイデンティティの保存を図るため, 新たなモーフィング攻撃法を提案する。
論文 参考訳（メタデータ） (2024-03-17T06:09:27Z) - 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) - 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) - 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) - 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) - Can GAN Generated Morphs Threaten Face Recognition Systems Equally as
Landmark Based Morphs? -- Vulnerability and Detection [22.220940043294334]
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。
論文 参考訳（メタデータ） (2020-07-07T16:52:56Z) - 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。