Sumsub与高校发布单步换脸模型ALADDIN
先了解这件事
Sumsub 联合 Constructor University 的 Bayes Group 发布换脸模型 ALADDIN,用蒸馏把多步扩散压缩为单步生成,单次网络评估即达到此前需 28 次评估的扩散模型级真实感,用于对生物识别身份验证系统做红队测试。Sumsub 称红队欺诈模拟时间从数天缩短到数小时。相关论文称,团队发现既有学术基准偏向用训练所用模型打分的方法,改用独立编码器重评基线;身份迁移相当时,ALADDIN 的真实感与目标保持在一步式方法中最优,以少 28 倍的网络评估和少一个数量级的训练对追平最佳多步模型。研究评估的是图像换脸,未演示针对身份验证系统的端到端实时视频注入攻击。
AI 根据报道生成 · 6 天前更新
走势与进展
每小时关注度一篇报道
现在 28,24 小时 0%·峰值 32(11月14日 04:00)·这段时间 1 篇报道,此前 1 篇
后续时间线
- Biometric UpdateSumsub 联合高校发布单步换脸模型 ALADDIN,用于检验生物识别防御
Sumsub 与 Constructor University 的 Bayes Group 发布生成式换脸模型 ALADDIN,用蒸馏把多步扩散过程压缩为单步生成,单次网络评估即达到此前需 28 次评估的扩散模型级真实感,旨在赶在犯罪者之前对生物识别身份验证系统做红队攻击测试。Sumsub 称这使其红队欺诈模拟时间从数天缩短到数小时,可模拟数百万复杂边缘案例来加固活体防御。文中引述的数据显示威胁增长,如 Sumsub 发现复杂身份欺诈一年增长 180%,iProov 报告换脸攻击上升 300%。研究还发现既有学术基准偏向用训练所用模型打分的方法,团队改用独立评分框架重新评估现有换脸方法;这项研究评估的是图像换脸,未演示针对身份验证系统的端到端实时视频注入攻击。
- arXivALADDIN:面向一步式身份替换的对抗性潜在扩散知识蒸馏
ALADDIN 是一步式人脸身份替换方法,生成器从预训练多步 flow-matching 模型初始化并对抗训练。作者发现标准评测偏向以同一身份编码器训练和打分的方法,改用独立编码器重评基线。身份迁移相当时,ALADDIN 的真实感与目标保持在一步式方法中最优,以少 28 倍的网络评估和少一个数量级的训练对追平最佳多步模型。
相关讨论
- 72 小时以前 · 不计入 72 小时的数字
- X@BiometricUpdateSumsub and Constructor University have unveiled ALADDIN, an AI face-swap model that needs 28 times fewer network evalua…(新标签页打开原帖)
关注度走势
每天新增来源
- 11月14日新增2个来源(1家媒体、1个账号)
- 11月15日新增0个来源(0家媒体、0个账号)
- 11月16日新增0个来源(0家媒体、0个账号)
- 11月17日新增0个来源(0家媒体、0个账号)
- 11月18日新增0个来源(0家媒体、0个账号)
- 11月19日新增0个来源(0家媒体、0个账号)
- 11月20日新增0个来源(0家媒体、0个账号)