ID-Eraser: 顔交換の能動的防御のための識別情報の干渉

arXiv:2604.21465v1 発表タイプ：新規 要約：ディープフェイク技術は現代の生成 AI の進展に伴い急速に高みへ到達しており、その中でも顔交換技術はプライバシーおよびデジタルセキュリティに対して深刻な脅威を呈しています。既存の能動的防御手法は主にピクセルレベルの干渉に依存しており、これらは高度な識別エンベディングを抽出する現代的な交換モデルに対して効果的ではありません。我々は、識別可能である顔の情報を除去して悪意ある顔交換を防ぐ特徴空間の能動的防御「ID-Eraser」を提案します。学習可能な干渉を識別エンベディングに注入し、顔リバイブジェネレーター（FRG）を用いて自然な保護画像を再構築することで、ID-Eraser は人間には視覚的に現実的な結果をもたらす一方、保護された識別情報はディープフェイクモデルに対して使い物にならないようにします。実験により、ID-Eraser は厳密なブラックボックス設定下で多様な顔認識および交換システムにおいて識別認識を大幅に破壊することが示されました。最高 1 分類精度が 0.30 で、FID が 1.64 で LPIPS が 0.020 という最高の結果が達成されました。クリーンな入力から生成された交換と比較した場合、保護された交換の識別類似性は 5 つの代表的な顔交換モデルにおいて平均 0.504 まで劇的に低下しました。さらに、ID-Eraser はクロスデータセットの汎用性、一般的な歪みに対する頑健性、そして実用的な効果、同enz 商業 API において Tencent API の類似性を 0.76 から 0.36 に低下させることが実証されました。

arXiv:2604.21465v1 Announce Type: new Abstract: Deepfake technologies have rapidly advanced with modern generative AI, and face swapping in particular poses serious threats to privacy and digital security. Existing proactive defenses mostly rely on pixel-level perturbations, which are ineffective against contemporary swapping models that extract robust high-level identity embeddings. We propose ID-Eraser, a feature-space proactive defense that removes identifiable facial information to prevent malicious face swapping. By injecting learnable perturbations into identity embeddings and reconstructing natural-looking protection images through a Face Revive Generator (FRG), ID-Eraser produces visually realistic results for humans while rendering the protected identities unusable for Deepfake models. Experiments show that ID-Eraser substantially disrupts identity recognition across diverse face recognition and swapping systems under strict black-box settings, achieving the lowest Top-1 accuracy (0.30) with the best FID (1.64) and LPIPS (0.020). Compared with swaps generated from clean inputs, the identity similarity of protected swaps drops sharply to an average of 0.504 across five representative face swapping models. ID-Eraser further demonstrates strong cross-dataset generalization, robustness to common distortions, and practical effectiveness on commercial APIs, reducing Tencent API similarity from 0.76 to 0.36.