論文の概要: When Morphs Look Better: Face Image Quality as a Training-Free Signal for Morphing Attack Detection
- arxiv url: http://arxiv.org/abs/2611.00074v1
- Date: Thu, 15 Oct 2026 19:36:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 03:28:39.422173
- Title: When Morphs Look Better: Face Image Quality as a Training-Free Signal for Morphing Attack Detection
- Title(参考訳): モルフが良く見えるとき: モルフ検出のための訓練不要信号としての顔画像品質
- Abstract要約: 顔画像品質評価(FIQA)は、顔認識のための顔画像の有用性を推定する。
2つのデータセットから20個のモーフィング攻撃セットに対して、現在のFIQAカテゴリから17個のFIQA手法を評価する。
- 参考スコア(独自算出の注目度): 5.497745780154633
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Face image quality assessment (FIQA) estimates the utility of a face image for automated face recognition and has been proposed as a morphing attack detection (MAD) signal that requires no morph-specific training. We evaluate 17 FIQA methods from all current FIQA categories on 20 morphing attack sets from two datasets, FRLL and FEI, including five diffusion-based attack sets. Each quality score is used directly as a MAD decision score. Unlike prior work, which inverted a quality measure when this lowered its error, we fix the score direction of each method in advance from its definition, so that cases in which morphs receive higher quality than bona fide samples remain visible. On FRLL, DifFIQA(R) achieves a mean D-EER of 11.42%, and together with CLIB-FIQA and eDifFIQA(L) clearly outperforms all other FIQA methods. A strong separation of bona fide and morph scores does not imply good detection performance: on the diffusion-based attacks, up to 11 of 17 methods assign higher quality to morphs than to bona fide samples, and the largest reversed separation in the study coincides with the worst detection result of the study. Performance also depends strongly on the attack: GraFIQs(L), the best detector of DCMorph and Arc2Morph on FRLL, performs poorly on the landmark-based and GAN-based attacks. On FEI, the lowest mean D-EER is 39.75%, and a threshold set on the bona fide data of one dataset does not transfer to the other.
- Abstract(参考訳): 顔画像品質評価(FIQA)は、顔認識のための顔画像の有用性を推定し、形態特異的な訓練を必要としないモーフィング攻撃検出(MAD)信号として提案されている。
その結果,FIQA法はFIQA法とFIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法,FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQA法、FIQ法、FIQA法、FIQA法、FIQ法、FIQA法、
各品質スコアは、MAD判定スコアとして直接使用される。
誤差を下げた際の品質指標を逆転させた以前の研究とは異なり、各手法のスコア方向を事前に定義から固定し、モルヒネの質がボナフッ化物よりも高い場合を目に見えるようにした。
FRLLでは、DifFIQA(R)は平均D-EERが11.42%に達し、CLIB-FIQAとeDifFIQA(L)は、他の全てのFIQA法よりも明らかに優れている。
ボナフィドとモルヒドの強い分離は優れた検出性能を示さない:拡散ベースの攻撃では、17のメソッドのうち最大11がボナフィドの試料よりも高い品質をモルヒドに割り当て、最も大きな逆分離は研究の最悪の検出結果と一致する。
FRLL上のDCMorphとArc2Morphの最良の検出器であるGraFIQs(L)は、ランドマークベースおよびGANベースの攻撃では不十分である。
FEIでは、最低平均D-EERは39.75%であり、一方のデータセットのボナファイドデータに設定された閾値は他方に転送されない。
関連論文リスト
- MorphUNet: Alpha-Controlled Biometric Transport for Diffusion-Based Face Morphing Attacks [42.651660700496606]
MorphUNetは、アルファ制御バイオメトリックトランスポートとして2パーシャル世代を定式化した拡散モルフィングフレームワークである。
これは、トレーニング可能な親分離デュアルクロスアテンションを用いた初めての拡散ベースのモーフィングフレームワークである。
6つのシステムのうち少なくとも3つが1つの形態によって騙される場合、MAP(Morphing Attack potential)が最適である。
論文 参考訳(メタデータ) (2026-07-27T21:30:49Z) - Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。
ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。
ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
論文 参考訳(メタデータ) (2026-06-25T02:59:33Z) - FD-MAD: Frequency-Domain Residual Analysis for Face Morphing Attack Detection [5.931399156681511]
本稿では,強いベースライン法を大幅に改善する,地域対応の周波数に基づく形態検出手法を提案する。
FRLL-Morphでは平均等誤差率(EER)が1.85%、MAD22では平均EERが6.12%である。
論文 参考訳(メタデータ) (2026-01-28T14:38:51Z) - Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。
従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。
これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文 参考訳(メタデータ) (2024-07-16T06:38:49Z) - DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
野生のブラインド画像品質評価(IQA)は重大な課題を呈している。
大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。
事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
論文 参考訳(メタデータ) (2024-05-30T12:32:35Z) - Face Morphing Attack Detection with Denoising Diffusion Probabilistic
Models [0.0]
モールフされた顔画像は、様々な悪意のある目的のために誰かの身元を偽装するために使用することができる。
既存のMAD技術は、ボナフィドやモルフィド画像の例から学ぶ識別モデルに依存している。
本研究では,ボナファイド画像の特徴からのみ学習できる新しい拡散型MAD法を提案する。
論文 参考訳(メタデータ) (2023-06-27T18:19:45Z) - Face Morphing Attacks and Face Image Quality: The Effect of Morphing and
the Unsupervised Attack Detection by Quality [6.889667606945215]
形態形成過程が知覚的画像品質と顔認識における画像有用性の両方に影響を及ぼす可能性を理論的に論じる。
本研究は、顔画像品質測定と顔画像有効性測定の両方を含む、顔画像品質に対するモーフィングの効果を広範囲に分析する。
本研究は、この効果に基づいて、品質スコアに基づいて、教師なしモーフィング攻撃検出(MAD)を行う可能性について検討する。
論文 参考訳(メタデータ) (2022-08-11T15:12:50Z)
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。