使用模板反转近似优化形态攻击
内容提要
该文汇总多篇人脸识别安全研究：构建含四类变形攻击的新数据集，评估OpenCV、FaceMorpher、WebMorph及StyleGAN的攻击风险，发现VGG-Face比FaceNet更抗攻击，StyleGAN低级变形威胁有限；MagFace在检测融合攻击上优于ArcFace；深度学习差分检测鲁棒性高；还涉及模型反演、TetraLoss等方法。
延伸解读
不同人脸识别模型的抗变形攻击能力差异
文章指出，VGG-Face虽然识别精度低于FaceNet，但对抗变形攻击的鲁棒性更强。这提示在实际部署人脸识别系统时，不能仅以精度作为选型标准，还需考虑模型对特定攻击的抵抗能力。同时，MagFace在检测融合攻击上优于ArcFace，说明不同模型在攻击检测任务上表现各异，需根据安全需求选择合适模型。
生成对抗网络在变形攻击中的角色与局限
文章提到，使用StyleGAN生成的低级变形攻击对人脸识别系统不构成重大威胁，但StyleGAN也被用于模型反演攻击，能提高逆转深度神经网络的准确率。这表明生成对抗网络在攻击与防御中具有双重用途，其实际威胁程度取决于攻击类型和生成质量，不能一概而论。
检测算法的鲁棒性与泛化能力
基于深度学习的差分变形攻击检测算法在各种后处理下表现出高检测性能和鲁棒性。此外，InceptionResNet-v2在泛化到未知数据上优于其他CNN模型。这些发现强调了开发鲁棒机器学习系统对边境安全等应用的重要性，并提示检测算法需针对不同后处理和未知攻击进行优化。
新型防御方法的研究进展
文章介绍了TetraLoss损失函数，通过在嵌入空间中将合成面部图像与其贡献者分离，提高了人脸识别系统对变形攻击的鲁棒性，并优于其他基准方法。同时，基于坐标的神经网络被用于表示面部变形和融合，在检测和生成无缝融合方面与传统方法竞争。这些方法为防御变形攻击提供了新思路。
Q&A
人脸识别系统面对变形攻击时，VGG-Face和FaceNet哪个更抗攻击？
VGG-Face虽然与FaceNet相比精度较低，但更加抗变形攻击。
StyleGAN生成的低级变形攻击对人脸识别系统威胁大吗？
使用StyleGAN生成的低级变形攻击对人脸识别系统不构成重大威胁。
检测人脸融合攻击时，MagFace和ArcFace哪个效果更好？
MagFace模型在预选择图像和检测融合攻击方面的效果优于常用的ArcFace模型。
基于深度学习的差分变形攻击检测算法鲁棒性如何？
基于深度学习的差分变形攻击检测算法在各种后处理情形下可以实现非常高的检测性能和鲁棒性。
TetraLoss损失函数有什么作用？
TetraLoss通过在嵌入空间中学习将合成的面部图像与其贡献者分开，从而提高基于深度学习的人脸识别系统对面部变形攻击的鲁棒性，并在全面评估中明显优于其他基准方法。
哪种卷积神经网络架构对变形攻击的泛化能力最好？
InceptionResNet-v2在对未知数据的泛化效果上优于其他四个CNN模型。
