DiffAM：基于扩散的面部隐私保护对抗妆容转换
内容提要
本文介绍了多种人脸保护方法，如AMT-GAN、Adv-Makeup和DMT，旨在提高对抗性人脸图像的视觉质量和攻击成功率。这些方法通过引入新模块和训练策略，解决了对抗噪声与视觉变化之间的冲突，并通过广泛实验验证了其有效性。
延伸解读
对抗妆容的技术演进
从2019年的DMT到2023年的Adv-Diffusion，面部隐私保护方法不断演进。早期方法如DMT专注于妆容转移的质量，而后续研究如AMT-GAN和Adv-Makeup则更注重攻击成功率和视觉质量的平衡。扩散模型的引入进一步提升了生成图像的逼真度和攻击可转移性。
黑盒攻击的实际挑战
文章指出，使用几乎不可察觉的对抗扰动实现高保护成功率并不容易，且对抗样本的可转移性受生成网络训练参数影响很大。这意味着在实际黑盒场景中，攻击效果可能因目标模型的不同而波动，用户需关注方法在未知模型上的泛化能力。
商业API的防御评估
多项研究在Face++、阿里云、微软等商业人脸识别API上测试了攻击成功率，表明这些方法在现实系统中具有一定有效性。但评估结果也显示，不同API的防御能力存在差异，读者应留意具体测试条件和API版本，以全面理解方法的实际防护效果。
Q&A
AMT-GAN 是什么？
AMT-GAN 是一种新型人脸保护方法，通过引入正则化模块和联合训练策略，旨在提高对抗性人脸图像的视觉质量和攻击成功率。
Adv-Makeup 的主要特点是什么？
Adv-Makeup 是一种统一的对抗人脸生成方法，能够在黑盒环境下实现不可察觉和可转移攻击，显著提高攻击成功率。
DMT 方法如何实现化妆技术转移？
DMT 是一种生成对抗网络，包含身份编码器和化妆编码器，能够解缠非化妆人脸的个人身份和化妆风格，从而实现高质量的化妆转移结果。
ADAF 算法的优势是什么？
基于 ADAF 的面部隐私保护算法在防御性能上优于现有算法，能够增强对各种攻击者提示的防御稳定性。
这些人脸保护方法的实验结果如何？
广泛的实验验证了这些方法能够保持较高的视觉质量，并在多个商业人脸识别 API 上实现更高的攻击成功率。
敌对样本的可转移性受什么影响？
敌对样本的可转移性受生成网络的训练参数影响很大。
