DiffFAS：生成拡散モデルを用いた顔認証におけるなりすまし対策

[fulfulggg]

タイトル: DiffFAS：生成拡散モデルを用いた顔認証におけるなりすまし対策

リンク: https://arxiv.org/abs/2409.08572

概要:

顔認証システムをなりすまし攻撃から保護する上で、顔アンチスプーフィング（FAS）は不可欠な役割を果たします。しかし、既存のFASシステムは、ドメインシフトと呼ばれる、学習時とテスト時でデータの分布が異なる問題に直面しており、汎化性能の低下を招いています。本論文では、ドメインシフトの本質を再考し、「画像スタイル」と「画像品質」の2つの要素に分解しました。品質はなりすまし情報の純度に影響を与える一方で、スタイルはなりすまし情報がどのように提示されるかに影響を与えます。この分析に基づき、DiffFASフレームワークを提案します。DiffFASは、品質を事前情報としてネットワークに入力することで画像品質のシフトに対抗し、拡散ベースの高忠実度クロスドメインおよびクロスアタックタイプ生成を実行することで画像スタイルのシフトに対抗します。DiffFASは、容易に収集可能な本物の顔を、正確なラベルを持つ高忠実度な攻撃者の顔に変換します。同時に、本物の顔と偽の顔の同一性の一貫性を維持することで、今日のFASシステムが直面している、新しいタイプの攻撃に対するラベル付きデータの不足を軽減することもできます。提案手法の有効性は、困難なクロスドメインおよびクロスアタックFASデータセットを用いて実証され、最先端の性能を達成しました。コードはhttps://github.com/murphytju/DiffFAS で公開されています。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• diffusion-models
• adversarial-learning
• face-super-resolution

[fulfulggg]

論文要約

論文要約: DiffFAS：生成拡散モデルを用いた顔認証におけるなりすまし対策

• 顔認証システムのなりすまし対策（FAS）は、学習時のデータとテスト時のデータの分布の違い（ドメインシフト）により精度が低下する問題がある。
• 本論文では、このドメインシフトを「画像スタイル」と「画像品質」の2つの要素に分解して分析。
  • 画像品質はなりすましの精巧さに、画像スタイルはなりすましの見せ方に影響を与える。
• DiffFASと呼ばれる新しいFASフレームワークを提案。
  • 画像品質のシフトには、品質情報をネットワークに事前情報として入力することで対処。
  • 画像スタイルのシフトには、拡散モデルを用いた高精度な画像生成により対処し、多様なスタイルのなりすまし画像を生成。
• DiffFASは、容易に入手できる本物の顔画像から、高精度なラベル付きなりすまし顔画像を生成できる。
  • これにより、従来のFASシステムが抱える、新しいタイプの攻撃に対する学習データ不足を解消。
• 提案手法は、クロスドメインおよびクロスアタック型のFASデータセットを用いた実験で、従来手法を上回る性能を達成。