論文の概要: Worst-Case Morphs using Wasserstein ALI and Improved MIPGAN

• arxiv url: http://arxiv.org/abs/2310.08371v2
• Date: Fri, 13 Oct 2023 09:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 16:13:38.506408
• Title: Worst-Case Morphs using Wasserstein ALI and Improved MIPGAN
• Title（参考訳）: wasserstein ali と mipgan による最悪の形態変化
• Authors: Una M. Kelly, Meike Nauta, Lu Liu, Luuk J. Spreeuwers, Raymond N. J. Veldhuis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.1899190294312385
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A morph is a combination of two separate facial images and contains identity information of two different people. When used in an identity document, both people can be authenticated by a biometric Face Recognition (FR) system. Morphs can be generated using either a landmark-based approach or approaches based on deep learning such as Generative Adversarial Networks (GAN). In a recent paper, we introduced a \emph{worst-case} upper bound on how challenging morphing attacks can be for an FR system. The closer morphs are to this upper bound, the bigger the challenge they pose to FR. We introduced an approach with which it was possible to generate morphs that approximate this upper bound for a known FR system (white box), but not for unknown (black box) FR systems. In this paper, we introduce a morph generation method that can approximate worst-case morphs even when the FR system is not known. A key contribution is that we include the goal of generating difficult morphs \emph{during} training. Our method is based on Adversarially Learned Inference (ALI) and uses concepts from Wasserstein GANs trained with Gradient Penalty, which were introduced to stabilise the training of GANs. We include these concepts to achieve similar improvement in training stability and call the resulting method Wasserstein ALI (WALI). We finetune WALI using loss functions designed specifically to improve the ability to manipulate identity information in facial images and show how it can generate morphs that are more challenging for FR systems than landmark- or GAN-based morphs. We also show how our findings can be used to improve MIPGAN, an existing StyleGAN-based morph generator.
• Abstract（参考訳）: morphは2つの異なる顔画像の組み合わせであり、2人の異なる人のアイデンティティ情報を含んでいる。 アイデンティティ文書で使用される場合、両人はバイオメトリック顔認識(fr)システムによって認証される。 モフはランドマークベースのアプローチか、GAN(Generative Adversarial Networks)のようなディープラーニングに基づくアプローチで生成することができる。 最近の論文では、frシステムにおけるモーフィング攻撃の難易度について、emph{worst-case}上界を導入しました。 この上界に近づくほど、FRに作用する挑戦は大きくなる。 我々は、この上界を既知のFR系(ホワイトボックス)に近似する形態を生成することができるが、未知のFR系(ブラックボックス)には適用できないアプローチを導入した。 本稿では,FR系が未知であっても,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。 重要な貢献は、難易度の高いmorphs \emph{during}トレーニングを生成するという目標を含むことです。 本稿では,適応学習推論(Adversarially Learned Inference,ALI)に基づいて,GANのトレーニングを安定化するために導入されたグラディエントペナルティ(Gradient Penalty)を訓練したWasserstein GANsの概念を用いた。 これらの概念は、トレーニング安定性の同様の改善を実現し、結果の方法Wasserstein ALI (WALI) と呼ぶものである。 顔画像における識別情報の操作能力を向上させるためにデザインされた損失関数を用いてWALIを微調整し、ランドマークやGANベースの形態よりもFRシステムにとって困難な形態を生成する方法を示す。 また,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,我々の知見をどのように利用できるかを示す。

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)
• 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)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• 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)
• StyleSwap: Style-Based Generator Empowers Robust Face Swapping [90.05775519962303]
  StyleSwapという簡潔で効果的なフレームワークを紹介します。 私たちの中核となる考え方は、スタイルベースのジェネレータを活用して、高忠実で堅牢な顔交換を可能にすることです。 最小限の変更だけで、StyleGAN2アーキテクチャはソースとターゲットの両方から望まれる情報をうまく処理できる。
  論文  参考訳（メタデータ） (2022-09-27T16:35:16Z)
• MobileFaceSwap: A Lightweight Framework for Video Face Swapping [56.87690462046143]
  主観的顔交換のための軽量IDN(IDN)を提案する。 提示されたIDNは0.50Mパラメータのみを含み、1フレームあたり0.33GのFLOPを必要とするため、携帯電話でリアルタイムのビデオ顔交換が可能である。
  論文  参考訳（メタデータ） (2022-01-11T06:48:12Z)
• 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)
• My Body is a Cage: the Role of Morphology in Graph-Based Incompatible Control [65.77164390203396]
  本稿では,グラフにエンコードされた形態情報により,その性能が向上しないことを示す既存手法に関する一連のアブリケーションを示す。 グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、Amorpheusも提案する。
  論文  参考訳（メタデータ） (2020-10-05T08:37:11Z)
• 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)

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。