Adv-Diffusion：基于潜在扩散模型的不可感知对抗性人脸身份攻击

基于摘要分析。该研究针对人脸识别对抗样本迁移性不足、容易被检测的问题，提出 Adv-Diffusion，在潜在空间而非原始像素空间生成身份相关对抗扰动，并利用潜在扩散模型的图像修补能力生成逼真的对抗人脸图像。 机制方面，作者提出身份敏感的条件扩散生成模型，以生成周边区域的语义扰动，并设计基于自适应强度的对抗扰动算法，以兼顾攻击迁移性与隐蔽性。摘要未给出身份条件的具体构造、扰动区域定义、优化目标或扩散推理流程，这些细节尚未验证。“无需额外生成模型训练”是作者对该框架的描述，不能扩展理解为无需攻击优化或额外计算。 结果方面，作者报告在公开 FFHQ 与 CelebA-HQ 数据集开展定性及定量实验，相较其所比较的先进方法取得更优表现，且无需额外训练生成模型。摘要未提供攻击成功率、迁移性或可感知性的具体数值；目标人脸识别模型、攻击者访问权限、数据划分、对照基线、检测协议、消融及统计信息尚未验证，因此尚不能判断优势幅度和适用边界。 摘要提供了代码仓库地址，但代码可用性、依赖、预训练权重及复现成本尚未核验。论文主要研究对象是人脸识别系统的对抗攻击，所给材料没有建立其与 EEG/BCI 的具体机制对应关系，不宜将视觉潜在空间中的有效性视为神经信号领域的证据；相关 EEG 工作尚未检索确认。