MorphUNet：用于基于扩散的面部变形攻击的 Alpha 控制生物识别传输

面部变形攻击会创建可针对多个身份进行验证的合成图像，威胁边境管制和身份验证系统。我们引入了 MorphUNet，一个扩散变形框架，将双亲生成制定为 alpha 控制的生物识别传输：每个亲代都被分解为 CLIP 外观和 ArcFace 身份证据，对齐到 CLIP 兼容的词元空间中，两个贡献者保留为单独的身份感知词元库。据我们所知，MorphUNet 是第一个基于扩散的变形框架，在去噪 U-Net 内使用可训练的父母分离的双重交叉注意力：生物识别传输层通过去噪携带父母特定的身份证据，在通过变形参数 alpha 组合残差之前分别关注每个父母。 DDIM 反向潜在插值提供了连贯的去噪开始，而较弱的父代引导选择有利于最大化较低父代相似性分数的变形，从而减少向一个贡献者的崩溃。我们使用六种识别系统在 FEI 和 FRLL 上根据三个最先进的基线（StableMorph、MIPGAN-II 和 MorDIFF）评估 MorphUNet，并提出基于 CFD 的看不见的身份压力测试，涵盖性别和种族配对、人口变化和父母相似性极端。当六个系统中至少有三个被一种变形欺骗时，MorphUNet 实现了最佳的变形攻击潜力 (MAP)，在 FEI 上达到 0.919，在 FRLL 上达到 0.886，并在两个数据集上获得最佳 FID（35.19 FEI，44.86 FRLL）。它还在相同数据集设置中提供了最高的 APCER，为 5% BPCER，并且在跨数据集传输下仍然非常难以检测，FEI 上的 APCER 为 0.996，FRLL 上的 APCER 为 0.946。完整的评估分析了 MAP、MAD、每个系统的漏洞、身份平衡、图像质量、顶部/底部相似性压力测试以及 CFD 看不见的身份鲁棒性。