Efficient Face Morphing and Demorphing with Explainable AI using FSGAN
Notice bibliographique
Résumé
Face morphing attacks present a significant threat to biometric security systems, often enabling imposters to gain unauthorized access by blending features from multiple identities. This study suggests a new face morphing and demorphing combined with explainable AI and identity-preserving face recognition under Face Swapping GAN (FSGAN) architecture. First, the identity embeddings are projected by facial images that are encoded with alignment through a pre-trained ArcFace model to guarantee identity representation. The FSGAN generates morphing images through the interpolation of source attributes and target features with a ratio of 70:30 to generate visually appealing hybrid identities. Demorphing, in its turn, rebuilds the original identities following a latent-space inversion method and cosine similarity to check. Explainability tools such as Grad-CAM and SHAP are added to visualize the decision-making process of the face recognition subjected to morph attack conditions to maintain transparency. Experimental results on the CelebA data demonstrate that the suggested approach presents the morphing precision of 97.56%, identity recovery accuracy of 95.88%, and morph detection score of 96.45%, which beats other current models such as StarGAN and DeepFakeGAN. Moreover, the false acceptance rate in view of morphing attacks is kept to the bare minimum of 3.12%, reflecting their high security strength. It will use a binary XGBoost classifier that leverages deep and handcrafted features to differentiate real and morphed images as well. The given overall and explainable solution is indicative to the real-time deployment of biometric security. The presented FSGAN-XAI pipeline does not only offer proper morph generation, reversal, and recognition but also offers increased stability and forensic usefulness of automated identity verification systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».