論文の概要: NullSwap: Proactive Identity Cloaking Against Deepfake Face Swapping

• arxiv url: http://arxiv.org/abs/2503.18678v1
• Date: Mon, 24 Mar 2025 13:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:35:38.781504
• Title: NullSwap: Proactive Identity Cloaking Against Deepfake Face Swapping
• Title（参考訳）: NullSwap: ディープフェイク・フェイス・スワッピングに対するプロアクティブ・アイデンティティ・クローク
• Authors: Tianyi Wang, Harry Cheng, Xiao Zhang, Yinglong Wang,
• Abstract要約: 我々は、ディープフェイクの顔交換の本質を分析し、ターゲット画像ではなく、情報源の身元を保護する必要性を論じる。 我々はNullSwapを提案する。NullSwapは、ソースイメージのアイデンティティを隠蔽し、純粋なブラックボックスシナリオ下での顔交換を無効化する新しいプロアクティブディフェンス手法である。 実験は、様々なアイデンティティ認識モデルを騙すアプローチの際立った能力を示す。
• 参考スコア（独自算出の注目度）: 8.284351945561099
• License:
• Abstract: Suffering from performance bottlenecks in passively detecting high-quality Deepfake images due to the advancement of generative models, proactive perturbations offer a promising approach to disabling Deepfake manipulations by inserting signals into benign images. However, existing proactive perturbation approaches remain unsatisfactory in several aspects: 1) visual degradation due to direct element-wise addition; 2) limited effectiveness against face swapping manipulation; 3) unavoidable reliance on white- and grey-box settings to involve generative models during training. In this study, we analyze the essence of Deepfake face swapping and argue the necessity of protecting source identities rather than target images, and we propose NullSwap, a novel proactive defense approach that cloaks source image identities and nullifies face swapping under a pure black-box scenario. We design an Identity Extraction module to obtain facial identity features from the source image, while a Perturbation Block is then devised to generate identity-guided perturbations accordingly. Meanwhile, a Feature Block extracts shallow-level image features, which are then fused with the perturbation in the Cloaking Block for image reconstruction. Furthermore, to ensure adaptability across different identity extractors in face swapping algorithms, we propose Dynamic Loss Weighting to adaptively balance identity losses. Experiments demonstrate the outstanding ability of our approach to fool various identity recognition models, outperforming state-of-the-art proactive perturbations in preventing face swapping models from generating images with correct source identities.
• Abstract（参考訳）: 生成モデルの進歩による高品質なDeepfake画像の受動的検出におけるパフォーマンスボトルネックから、プロアクティブな摂動は、良質な画像に信号を挿入することでDeepfake操作を無効にするための有望なアプローチを提供する。 しかし、既存の活動的摂動アプローチは、いくつかの面で不満足なままである。 1) 直接的要素付加による視覚劣化 2) 顔交換操作に対する効果の制限 3)トレーニング中に生成モデルを含むため,ホワイトボックスとグレーボックスの設定に依存することは避けられない。 本研究では,Deepfakeフェイススワップの本質を分析し,ターゲット画像ではなくソースIDの保護の必要性を論じるとともに,NullSwapを提案する。 本研究では、画像から顔の識別特徴を抽出するID抽出モジュールを設計し、その上で摂動ブロックを設計し、それに応じて識別誘導摂動を生成する。 一方、Feature Blockは浅いレベルの画像の特徴を抽出し、画像再構成のためにClaking Blockの摂動と融合する。 さらに、顔交換アルゴリズムにおける異なる識別抽出器間の適応性を確保するために、動的損失重み付けを提案し、個人識別損失を適応的にバランスさせる。 実験により, 様々な個人識別モデルを騙し, 顔交換モデルが正しい人物像を生成するのを防ぐために, 最先端のプロアクティブな摂動よりも優れていることを示す。

関連論文リスト

• FaceSwapGuard: Safeguarding Facial Privacy from DeepFake Threats through Identity Obfuscation [42.52406793874506]
  FaceSwapGuard(FSG)は、ディープフェイクのフェイススワッピング脅威に対するブラックボックス防御機構である。 FSGはユーザーの顔画像に知覚不能な摂動を導入し、アイデンティティエンコーダによって抽出された特徴を妨害する。 複数のフェイススワッピング技術に対するFSGの有効性を示す大規模な実験を行った。
  論文  参考訳（メタデータ） (2025-02-15T13:45:19Z)
• iFADIT: Invertible Face Anonymization via Disentangled Identity Transform [51.123936665445356]
  顔の匿名化は、個人のプライバシーを保護するために顔の視覚的アイデンティティを隠すことを目的としている。 Invertible Face Anonymization の頭字語 iFADIT を Disentangled Identity Transform を用いて提案する。
  論文  参考訳（メタデータ） (2025-01-08T10:08:09Z)
• ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification [60.73617868629575]
  深層学習に基づく顔操作の誤用は、公民権に対する潜在的な脅威となる。 この不正行為を防ぐため、プロアクティブな防御技術が提案され、操作プロセスを妨害した。 我々は,ID-Guardと呼ばれる,顔操作と戦うための新しい普遍的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T09:30:08Z)
• PortraitBooth: A Versatile Portrait Model for Fast Identity-preserved Personalization [92.90392834835751]
  PortraitBoothは高効率、堅牢なID保存、表現編集可能な画像生成のために設計されている。 PortraitBoothは計算オーバーヘッドを排除し、アイデンティティの歪みを軽減する。 生成した画像の多様な表情に対する感情認識のクロスアテンション制御が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-11T13:03:29Z)
• HFORD: High-Fidelity and Occlusion-Robust De-identification for Face Privacy Protection [60.63915939982923]
  顔の身元特定は、身元保護問題を解決するための実践的な方法である。 既存の顔の特定方法にはいくつかの問題がある。 これらの問題に対処するために,HFORD(High-Fidelity and Occlusion-Robust De-identification)法を提案する。
  論文  参考訳（メタデータ） (2023-11-15T08:59:02Z)
• Robust Identity Perceptual Watermark Against Deepfake Face Swapping [8.276177968730549]
  ディープフェイク・フェイススワップは、ディープジェネレーティブ・モデルの急速な開発で重要なプライバシー問題を引き起こしている。 本稿では,Deepfakeの顔スワップに対する検出とソーストレースを同時に行う,最初の堅牢なアイデンティティ認識型透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T16:04:32Z)
• Controllable Inversion of Black-Box Face Recognition Models via Diffusion [8.620807177029892]
  我々は,事前学習した顔認識モデルの潜在空間を,完全なモデルアクセスなしで反転させる作業に取り組む。 本研究では,条件付き拡散モデル損失が自然発生し,逆分布から効果的にサンプル化できることを示す。 本手法は,生成過程を直感的に制御できる最初のブラックボックス顔認識モデル逆変換法である。
  論文  参考訳（メタデータ） (2023-03-23T03:02:09Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• 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)

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。