論文の概要: SDeMorph: Towards Better Facial De-morphing from Single Morph
- arxiv url: http://arxiv.org/abs/2308.11442v1
- Date: Tue, 22 Aug 2023 13:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 17:58:31.524957
- Title: SDeMorph: Towards Better Facial De-morphing from Single Morph
- Title(参考訳): SDeMorph: 単一形態による顔のデフォーミングの改善
- Authors: Nitish Shukla
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Face Recognition Systems (FRS) are vulnerable to morph attacks. A face morph
is created by combining multiple identities with the intention to fool FRS and
making it match the morph with multiple identities. Current Morph Attack
Detection (MAD) can detect the morph but are unable to recover the identities
used to create the morph with satisfactory outcomes. Existing work in
de-morphing is mostly reference-based, i.e. they require the availability of
one identity to recover the other. Sudipta et al. \cite{ref9} proposed a
reference-free de-morphing technique but the visual realism of outputs produced
were feeble. In this work, we propose SDeMorph (Stably Diffused De-morpher), a
novel de-morphing method that is reference-free and recovers the identities of
bona fides. Our method produces feature-rich outputs that are of significantly
high quality in terms of definition and facial fidelity. Our method utilizes
Denoising Diffusion Probabilistic Models (DDPM) by destroying the input morphed
signal and then reconstructing it back using a branched-UNet. Experiments on
ASML, FRLL-FaceMorph, FRLL-MorDIFF, and SMDD datasets support the effectiveness
of the proposed method.
- Abstract(参考訳): 顔認識システム(frs)はmorph攻撃に対して脆弱である。
顔形態は、複数のIDとFRSを騙し、その形態と複数のIDとを一致させることにより生成される。
現在のMorph Detection (MAD)は、その形態を検出できるが、良好な結果を得るために使用するアイデンティティを回復できない。
デモーフィングにおける既存の作業は、ほとんどが参照ベースである。
Sudiptaなど。
\cite{ref9} は参照フリーなデモーフィング手法を提案したが、出力の視覚的リアリズムは弱かった。
本研究では, 参照フリーでボナファイドのアイデンティティを復元する新しいデモルファス法であるSDeMorph (Stably Diffused De-morpher)を提案する。
提案手法は,定義や顔の忠実性の観点から,極めて高品質な特徴豊かな出力を生成する。
本手法は,入力されたモルヒド信号を破壊し,分岐UNetを用いて再構成することで拡散確率モデル(DDPM)を利用する。
ASML, FRLL-FaceMorph, FRLL-MorDIFF, SMDDデータセットによる実験は, 提案手法の有効性を支持する。
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) - 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) - Worst-Case Morphs using Wasserstein ALI and Improved MIPGAN [5.1899190294312385]
顔認識システムが未知であっても,最悪のケース形態を近似できる形態素生成手法を提案する。
提案手法は,Adversarially Learned Inference (ALI) に基づいており,グラディエント・ペナルティ(Gradient Penalty)で訓練されたWasserstein GANsの概念を用いている。
既存のStyleGANをベースとした形態生成装置であるMIPGANを改良するために,我々の研究成果をどのように利用できるかを示す。
論文 参考訳(メタデータ) (2023-10-12T14:40:24Z) - 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) - Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth
Uncertainty Learning [54.15303628138665]
フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。
既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。
我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-01T15:36:59Z) - 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) - Disentangled Lifespan Face Synthesis [100.29058545878341]
ライフスパン顔合成(LFS)モデルは、1つのスナップショットのみを基準として、人の人生全体の写真リアル顔画像のセットを作成することを目的としている。
対象年齢コードから生成された顔画像は, 形状やテクスチャの生鮮やかな変換によって, 年齢に敏感に反映されることが期待される。
これは、エンコーダから形状、テクスチャ、アイデンティティの特徴を別々に抽出することで達成される。
論文 参考訳(メタデータ) (2021-08-05T22:33:14Z) - 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) - Unsupervised Learning Facial Parameter Regressor for Action Unit
Intensity Estimation via Differentiable Renderer [51.926868759681014]
骨駆動型顔モデル(BDFM)に基づいて,異なる視点で顔パラメータを予測する枠組みを提案する。
提案するフレームワークは,特徴抽出器,ジェネレータ,顔パラメータ回帰器から構成される。
論文 参考訳(メタデータ) (2020-08-20T09:49:13Z) - 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)
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。