[2024年9月20日提交 (v1)，最后修订于2026年7月30日（本版本，v3）]

查看PDF HTML（实验性）

摘要：基于深度学习的人脸篡改滥用对公民权利构成严重威胁。为从源头防范此类欺诈，已提出主动防御方法：将不可见的对抗性扰动嵌入图像，干扰篡改过程，使伪造输出对观察者失去说服力。然而，对输出进行非针对性破坏可能会保留可识别的面部特征，可能导致个人被污名化。在本工作中，我们提出了一种名为 ID-Guard 的对抗人脸篡改通用框架。该框架使用编码器-解码器网络的单次前向传递生成跨模型可迁移的对抗性扰动。我们引入了一种新颖的身份破坏模块 (IDM) 来抑制被篡改人脸中的可识别特征。通过将多种篡改类型的破坏建模为多任务学习问题，并设计动态加权策略来提升跨模型性能，从而优化扰动生成。实验结果表明，ID-Guard 能够有效防御多种人脸篡改模型，同时降低被篡改图像中的可识别区域。它还能使受扰图像规避人脸修复和人脸识别系统。此外，ID-Guard 可作为即插即用的组件无缝集成到其他任务（如对抗训练）中。源代码已在 此 https URL 公开。

提交历史

来自：Zuomin Qu [查看邮件]
[v1] 2024年9月20日 星期五 09:30:08 UTC (4,124 KB)
[v2] 2025年4月10日 星期四 07:58:51 UTC (4,376 KB)
[v3] 2026年7月30日 星期四 02:30:32 UTC (3,989 KB)