如何提高face——target的迁移性 记录

论文阅读 2022.6.7

1.Improving Transferability of Adversarial Patches on Face Recognition with Generative Models

这篇文章是cvpr2021，文章上写的是这个tap算法跟ti以及di方法结合，提高攻击的迁移性。
实现的算法如下

算法介绍： L还是自己定义的损失函数，face里面主要用的一个real_face ,一个是target_face。M代表的是mask。
输入 ： ti的transformations 设置扰动的大小，看后面他设置的有40,50啥的，我怀疑这个超参数是epochs，一个学习率 α，迭代次数N？，decay ，μ，这个是动量项。论文里面定义的圆心加上一个点是计算相似度的。
输出的就是adv_images
初始化过程：都清零
迭代N次，
1.首先对 clear_image 进行变化。
2. 猜测 第五行的操作是 限制扰动的范围在mask上的
3. T（x） > 进行计算 loss T(x)是di变化
4. 计算梯度了
5. 对梯度进行卷积操作 （ti操作）这里面用的是高斯核
6. 后面就是进行 mi进行 计算动量项。
7. 更新 adv 并且进行限制

这个不是？？？？ mask +di+ti+mi？？？ 就是加了一个mask嘛？？？
其实后面实验部分也没仔细看，也是刚看了下方法的。

这个方法跟上面的很像，区别在与这边的输入变成了sn，怀疑这个是用的生成器，generate去做的，我只是目前这么猜测。但是很明显，生成器直接去做生成人脸。。。。有待思考，目前没做过gan生成的实验。

大家有问题可以讨论哈。写的比较简略