論文の概要: MorCode: Face Morphing Attack Generation using Generative Codebooks
- arxiv url: http://arxiv.org/abs/2410.07625v1
- Date: Thu, 10 Oct 2024 05:33:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 15:56:40.635788
- Title: MorCode: Face Morphing Attack Generation using Generative Codebooks
- Title（参考訳）: MorCode: 生成コードブックを用いた顔モーフィング攻撃生成
- Authors: Aravinda Reddy PN, Raghavendra Ramachandra, Sushma Venkatesh, Krothapalli Sreenivasa Rao, Pabitra Mitra, Rakesh Krishna,
- Abstract要約: 顔認識システムは、顔形態攻撃によって損なわれる可能性がある。
顔の自動モーフィング生成手法である textitMorCode について述べる。
提案手法であるtextitMorCode の攻撃電位を3種類の顔認識システムを用いてベンチマークした。
- 参考スコア（独自算出の注目度）: 6.151324262498369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Face recognition systems (FRS) can be compromised by face morphing attacks, which blend textural and geometric information from multiple facial images. The rapid evolution of generative AI, especially Generative Adversarial Networks (GAN) or Diffusion models, where encoded images are interpolated to generate high-quality face morphing images. In this work, we present a novel method for the automatic face morphing generation method \textit{MorCode}, which leverages a contemporary encoder-decoder architecture conditioned on codebook learning to generate high-quality morphing images. Extensive experiments were performed on the newly constructed morphing dataset using five state-of-the-art morphing generation techniques using both digital and print-scan data. The attack potential of the proposed morphing generation technique, \textit{MorCode}, was benchmarked using three different face recognition systems. The obtained results indicate the highest attack potential of the proposed \textit{MorCode} when compared with five state-of-the-art morphing generation methods on both digital and print scan data.
- Abstract（参考訳）: 顔認識システム(FRS)は、複数の顔画像からテクスチャと幾何学的情報をブレンドする顔形態攻撃によって損なわれる可能性がある。
生成AIの急速な進化、特にGAN(Generative Adversarial Networks)や拡散モデルでは、符号化された画像を補間して高品質な顔形態画像を生成する。
そこで本研究では,コードブック学習に条件付き同時代のエンコーダ・デコーダアーキテクチャを活用し,高品質なモーフィング画像を生成する,自動顔形態生成手法 \textit{MorCode} を提案する。
デジタル・スキャン・データとプリント・スキャン・データの両方を用いて,5つの最先端のモーフィング生成技術を用いて,新たに構築したモーフィング・データセットに対して大規模な実験を行った。
提案手法である「textit{MorCode}」の攻撃電位を3種類の顔認識システムを用いてベンチマークした。
その結果,デジタルスキャンデータと印刷スキャンデータの両方において,最先端の5つのモーフィング生成手法と比較して,提案手法の攻撃可能性が最も高いことがわかった。
関連論文リスト
- Meissonic: Revitalizing Masked Generative Transformers for Efficient High-Resolution Text-to-Image Synthesis [62.06970466554273]
SDXLのような最先端拡散モデルに匹敵するレベルまで、非自己回帰マスク型画像モデリング(MIM)のテキスト・ツー・イメージが増大するMeissonicを提案する。
高品質なトレーニングデータを活用し、人間の嗜好スコアから得られるマイクロ条件を統合し、特徴圧縮層を用いて画像の忠実度と解像度をさらに向上する。
我々のモデルは、高画質の高精細画像を生成する際に、SDXLのような既存のモデルに適合するだけでなく、しばしば性能を上回ります。
論文 参考訳（メタデータ） (2024-10-10T17:59:17Z) - 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) - G2Face: High-Fidelity Reversible Face Anonymization via Generative and Geometric Priors [71.69161292330504]
可逆顔匿名化(Reversible face anonymization)は、顔画像の繊細なアイデンティティ情報を、合成された代替品に置き換えようとしている。
本稿では,Gtextsuperscript2Faceを提案する。
提案手法は,高データの有効性を保ちながら,顔の匿名化と回復において既存の最先端技術よりも優れる。
論文 参考訳（メタデータ） (2024-08-18T12:36:47Z) - Optimal-Landmark-Guided Image Blending for Face Morphing Attacks [8.024953195407502]
本稿では,最適なランドマーク誘導画像ブレンディングを用いた顔形態形成攻撃を行うための新しい手法を提案する。
提案手法は, ランドマークの最適化とグラフ畳み込みネットワーク(GCN)によるランドマークと外観特徴の組み合わせにより, 従来のアプローチの限界を克服する。
論文 参考訳（メタデータ） (2024-01-30T03:45:06Z) - RenAIssance: A Survey into AI Text-to-Image Generation in the Era of
Large Model [93.8067369210696]
テキスト・ツー・イメージ生成(テキスト・トゥ・イメージ・ジェネレーション、英: Text-to-image Generation、TTI)とは、テキスト入力を処理し、テキスト記述に基づいて高忠実度画像を生成するモデルである。
拡散モデル (diffusion model) は、繰り返しステップによるノイズの体系的導入を通じて画像の生成に使用される顕著な生成モデルである。
大規模モデルの時代、モデルサイズを拡大し、大規模言語モデルとの統合により、TTIモデルの性能がさらに向上した。
論文 参考訳（メタデータ） (2023-09-02T03:27:20Z) - DreamIdentity: Improved Editability for Efficient Face-identity
Preserved Image Generation [69.16517915592063]
人間の顔の正確な表現を学習するための新しい顔識別エンコーダを提案する。
また、モデルの編集可能性を高めるために、自己拡張編集可能性学習を提案する。
我々の手法は、異なるシーン下でより高速にアイデンティティ保存された画像を生成することができる。
論文 参考訳（メタデータ） (2023-07-01T11:01:17Z) - 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) - MorDIFF: Recognition Vulnerability and Attack Detectability of Face
Morphing Attacks Created by Diffusion Autoencoders [10.663919597506055]
顔のモーフィング攻撃は画像レベルでも表現レベルでも生成される。
拡散オートエンコーダモデルの最近の進歩は、GANの限界を克服し、高い再構成忠実度を実現している。
本研究では,拡散オートエンコーダを用いて顔形態形成攻撃を画像レベルおよび表現レベルの幅広い形態と比較する。
論文 参考訳（メタデータ） (2023-02-03T16:37:38Z) - MaskGIT: Masked Generative Image Transformer [49.074967597485475]
MaskGITは、ランダムにマスクされたトークンを、あらゆる方向にトークンに出席することによって予測することを学ぶ。
実験により、MaskGITはImageNetデータセット上で最先端のトランスフォーマーモデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2022-02-08T23:54:06Z) - 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) - 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。