一、研究动机
现有的后门攻击方法生成的对抗样本容易被识别，只是在空间域增加了扰动。为此，作者提出了一种频率对抗性攻击的方法，在频域中增加了对抗性的扰动DCT，接着利用融合模块对不同频段的能量进行微调，有效的避免了在空间范围攻击的冗余噪声：FGSM, PGD，最终通过逆变换生成对抗样本。
[!NOTE]
关键点：空间域和频率域混合攻击，元学习实现交替式的混合攻击学习
攻击模型优点：隐藏在频带中，不易于被发现
❗ 模型缺点： 黑盒攻击存在过拟合现象
[!TIP]可学习的点：
- 低频区域与占大部分能量的图像内容有关，而高频区域与图像的边缘和纹理信息有关。
- 与真脸相比，假脸在高频区域显示出更多的能量
二、模型方法
[!NOTE]
- FUNSION MODULE：修正频域中的能量
- L p − n o r m L_p-norm Lp−norm ：约束分布 （对比其他模型是通过最小化扰动）
-
基于频域的模型攻击
-
混合模式攻击
二、模型方法
[!NOTE]
- FUNSION MODULE：修正频域中的能量
- L p − n o r m L_p-norm Lp−norm ：约束分布 （对比其他模型是通过最小化扰动）
- 基于频域的模型攻击
- 模型的优化目标函数：
-
对图像进行分块，并对每一个块基于离散傅里叶变换（DCT）从空间域转换为频域信息
-
由于伪造图像的高频带比真实图像高，作者提出加入
fusion module修正其中的频带能量，通过一个矩阵动态的自适应学习平衡不平衡能量的影响
- 更新动态矩阵的算法：
- 伪代码
- 混合模式攻击
[!TIP]
利用
元学习的思想，利用空间域和频域的梯度来迭代更新对抗性样本，每一次更新交换两个域攻击的次序。
PGD模型作为空间域的基底模型
- 伪代码
三、数据与模型
- 对比的攻击模型：
FGSM,PGD- 基础模型框架：
EfficientNet b4,ResNet 50,XceptionNet,F3-Net,LRL
- 基础模型框架：
- 数据：
DFDC：随机选取1000张假图
FaceForensics++：从四种算法中选取 560张假图（140 × \times × 4）
- 评价指标：
攻击成功率:攻击成功的图像在所有被分类为假人脸的图像中所占的比例 - 攻击图像的指标：
MSE,PSNRandSSIM - 图像输入大小 320 $\times$320 $\times$3
- 将
PGD模作为混合攻击模式下的空间攻击
四、实验
- 在三个基础空间域检测模型（
DFDC,FaceForensics++）的攻击实验
由于Eff b4和Xcep之间结构的明显差异，两个网络之间的对抗性攻击相互之间的可转移性有限。
- 消融实验
-
频域模型的攻击实验
-
图像生成结果及评价
参考文献
- 对抗模型：
- FGSM：简单的梯度损失优化扰动
- PGD：在FGSM基础上的多重扰动