論文の概要: Face Morphing: Fooling a Face Recognition System Is Simple!

• arxiv url: http://arxiv.org/abs/2205.13796v1
• Date: Fri, 27 May 2022 07:17:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 14:57:13.597019
• Title: Face Morphing: Fooling a Face Recognition System Is Simple!
• Title（参考訳）: 顔認識システムを騙すのは簡単だ!
• Authors: Stefan H\"ormann, Tianlin Kong, Torben Teepe, Fabian Herzog, Martin Knoche, Gerhard Rigoll
• Abstract要約: 最先端の顔認識アプローチは、2つの顔が同一のアイデンティティに属するかどうかを予測する顕著な結果を示している。 しかし、変形した顔に露出すると、その精度は著しく低下し、特に2つのアイデンティティに類似するように生成される。 変形顔を生成するために、単純な事前学習されたFRモデルをGAN(Generative Adversarial Network)に統合し、顔変形のためのいくつかの損失関数を修正した。
• 参考スコア（独自算出の注目度）: 4.4855664250147465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art face recognition (FR) approaches have shown remarkable results in predicting whether two faces belong to the same identity, yielding accuracies between 92% and 100% depending on the difficulty of the protocol. However, the accuracy drops substantially when exposed to morphed faces, specifically generated to look similar to two identities. To generate morphed faces, we integrate a simple pretrained FR model into a generative adversarial network (GAN) and modify several loss functions for face morphing. In contrast to previous works, our approach and analyses are not limited to pairs of frontal faces with the same ethnicity and gender. Our qualitative and quantitative results affirm that our approach achieves a seamless change between two faces even in unconstrained scenarios. Despite using features from a simpler FR model for face morphing, we demonstrate that even recent FR systems struggle to distinguish the morphed face from both identities obtaining an accuracy of only 55-70%. Besides, we provide further insights into how knowing the FR system makes it particularly vulnerable to face morphing attacks.
• Abstract（参考訳）: State-of-the-art Face Recognition (FR) アプローチは、2つの顔が同一のアイデンティティに属しているかどうかを予測し、プロトコルの難易度に応じて92%から100%の精度が得られた。 しかし、変形した顔に露出すると、その精度は著しく低下し、特に2つのアイデンティティに類似するように生成される。 変形顔を生成するために、単純な事前学習されたFRモデルをGAN(Generative Adversarial Network)に統合し、顔変形のためのいくつかの損失関数を修正する。 従来の研究とは対照的に、我々のアプローチと分析は、同じ民族性と性別を持つ正面の対に限ったものではない。 我々の定性的かつ定量的な結果は、制約のないシナリオにおいても、我々のアプローチが2つの顔間のシームレスな変化を達成することを証明している。 より単純なFRモデルの特徴を顔形態形成に用いながら,近年のFRシステムにおいても,55～70%の精度で顔形状の識別に苦慮していることを示す。 さらに、FRシステムを知ることで、顔の変形攻撃に対して特に脆弱になる、というさらなる知見も提供します。

関連論文リスト

• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• 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)
• Quadruplet Loss For Improving the Robustness to Face Morphing Attacks [0.0]
  顔認識システムは高度な攻撃に弱い。 本研究では, 顔認証システムのフォーミング攻撃に対するロバスト性を高めるために, 新たな四重項損失関数を導入する。
  論文  参考訳（メタデータ） (2024-02-22T16:10:39Z)
• Towards minimizing efforts for Morphing Attacks -- Deep embeddings for morphing pair selection and improved Morphing Attack Detection [4.349201388722244]
  顔埋め込みは、大規模なモルフィング攻撃生成のための画像の選択と、潜在的なモルフィング攻撃を検出する2つの目的がある。 顔の埋め込み類似性に基づいて個人をペアリングする事前選択アルゴリズムを用いる。 モーフィング・アタックを検出する能力の観点から、2つの最先端の顔認識システムからの埋め込みを比較した。
  論文  参考訳（メタデータ） (2023-05-29T17:00:40Z)
• 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)
• Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
  フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。 我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2021-08-11T01:31:14Z)
• Face Hallucination via Split-Attention in Split-Attention Network [58.30436379218425]
  畳み込みニューラルネットワーク(CNN)は、顔幻覚を促進するために広く用いられている。 顔の全体像とテクスチャの細部を同時に考慮し,新たな内部分割注意グループ(ESAG)を提案する。 これら2つの経路から特徴を融合させることにより、顔の構造の整合性と顔の詳細の忠実度が強化される。
  論文  参考訳（メタデータ） (2020-10-22T10:09:31Z)
• MIPGAN -- Generating Strong and High Quality Morphing Attacks Using Identity Prior Driven GAN [22.220940043294334]
  本稿では,アイデンティティ優先型生成適応ネットワークを用いた攻撃生成手法を提案する。 提案するMIPGANは、知覚的品質と識別因子を利用した新たに定式化された損失関数であるStyleGANから派生した。 提案手法は,商用およびディープラーニングベースの顔認識システムに対して,その脆弱性を評価することによって,強力なモーフィング攻撃を発生させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-03T15:08:38Z)
• Dual-discriminator GAN: A GAN way of profile face recognition [21.181356044588213]
  本稿では,GAN(Generative Adversarial Network)に基づく画像と画像のプロファイルによる正面顔生成手法を提案する。 本稿では,GAN(Generative Adversarial Network)に基づく画像と画像のプロファイルを持つ正面顔を生成する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-20T06:01:58Z)
• 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)
• Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
  本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。 具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。 顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
  論文  参考訳（メタデータ） (2020-02-17T20:00:56Z)

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。