arXiv cs.AI· Ye Lu, Shen Wang, Zhaoyang Zhang, Yihan Yan, Li Liu, Runze Liu, Fanghui Sun·· 14 小时前AI 评分29
SFMI：用梯度引导流匹配反演人脸识别模型
Steering the Flow: Inverting Face Recognition Models via Gradient-Guided Flow Matching
AI 导读
研究者提出两阶段白盒模型反演方法 SFMI，将反演重构为轨迹引导任务：先预训练通用无条件 Flow Matching 模型编码人脸流形先验，再在采样中用渐进引导调度器（PGS）注入随时间变化的目标特定梯度。在 CelebA 身份不交叉评估下，对 ArcFace 目标模型取得 ACC 0.9248、FID 22.61、LPIPS 0.3874。
正文 · AI 翻译
摘要：模型反演攻击（MIA）旨在从人脸识别模型中重建目标身份的代表性训练样本，从而暴露关键的安全漏洞。现有方法通常依赖间接引导或高度随机的引导，难以稳定地将生成轨迹优化至目标人脸图像。本文提出引导流模型反演（SFMI），一种新颖的两阶段白盒模型反演方法，将反演重新表述为轨迹引导任务。具体而言，步骤 I，学习通用流匹配先验，预训练一个通用无条件流匹配模型，将人脸流形编码为稳健的先验。步骤 II，使用渐进式引导调度器（PGS）进行攻击，在采样过程中注入随时间变化的目标特定梯度。通过反向传播穿过目标模型，从中间生成状态获取梯度，PGS 将自适应引导信号逐步注入向量场。该过程有效地将当前生成流从随机噪声引导至目标类别的高密度区域。在使用 CelebA 数据集的身份不相交交叉评估设置下，SFMI 在 ArcFace 目标上实现了 0.9248 的 ACC、22.61 的 FID 和 0.3874 的 LPIPS。在多个目标模型上的大量实验表明，在所评估的白盒协议下，SFMI 在攻击成功率和视觉保真度方面达到了具有竞争力的最先进性能。
| 评论： | 已被 IEEE Internet of Things Journal 接收发表。更新为作者接受稿；15 页，6 幅图，包括附录 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；密码学与安全（cs.CR）；多媒体（cs.MM） |
| 引用为： | arXiv:2608.16791 [cs.CV] |
| （或 arXiv:2608.16791v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.16791 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1109/JIOT.2026.3742815
链接到相关资源的 DOI |
提交历史
来自：Ye Lu [查看电子邮件]
[v1]
2026 年 8 月 17 日星期一 16:47:09 UTC（6,916 KB）
[v2]
2026 年 10 月 25 日星期日 09:43:06 UTC（8,733 KB）
来源：arXiv cs.AI · arxiv.org