扩展空间中针对人脸替换的可迁移攻击

基于摘要分析。本文研究如何保护人脸图像免受未见过的、主体无关的人脸替换（Face Swapping，FS）模型利用，提出 Additive Identity attack based on a Relighting function（AIR）。其核心贡献是同时使用重照明与加性扰动，误导 FS 模型的身份提取模块，从而寻找兼顾攻击效果与视觉自然度的对抗样本。 机制方面，AIR 将照明变化纳入原有加性扰动之外的攻击空间。作者还设计了自适应平移不变操作和照明控制方案，以在保持攻击有效性的同时改善图像视觉质量。摘要称该方法不需要替代 FS 模型，并提供了攻击空间扩展的数学证明；具体优化目标、扰动约束、所需模型访问权限、证明假设及操作实现尚未验证。 结果方面，作者报告，在涉及多种主体无关 FS 模型、包括 GAN 与扩散式 FS 模型的 1000 对图像实验中，AIR 的攻击成功率和图像质量均优于所比较的现有攻击。摘要未提供具体数值、图像来源、图像对构造方式、攻击成功判据、质量指标或对照方法名单，因此这一结论应限定为作者所报告的实验范围，不能据此判断其他部署环境中的有效性。实验协议、消融及统计信息尚未验证。 本文主要研究对象是人脸替换防护，而非 EEG 解码或 BCI。来源栏目名称不能作为其使用状态空间模型的证据；摘要也未建立照明扰动与神经信号处理之间的具体机制对应关系，因此不据此生成 EEG/BCI 迁移结论或复现实验建议。