引导流动：通过梯度引导的流匹配反演人脸识别模型

模型反演攻击（MIAs）旨在从人脸识别模型中重建目标身份的代表性训练样本，从而暴露关键的安全漏洞。现有方法通常依赖间接引导或高度随机的引导，使得难以将生成轨迹稳定地优化至目标人脸图像。在本文中，我们提出了 Steering Flow Model Inversion（SFMI），这是一种新颖的两阶段白盒模型反演方法，将反演重新表述为轨迹引导任务。具体而言，步骤 I，学习通用 Flow Matching 先验，预训练一个通用的无条件 Flow Matching 模型，以将人脸流形编码为稳健先验。步骤 II，使用 Progressive Guidance Scheduler（PGS）进行攻击，在采样过程中注入随时间变化的目标特定梯度。通过在目标模型中反向传播以从中间生成状态获得梯度，PGS 将自适应引导信号逐步注入向量场。该过程有效地将当前生成流从随机噪声引导至目标类别的高密度区域。在使用 CelebA 数据集的身份不相交交叉评估设置下，SFMI 在 ArcFace 目标上实现了 0.9248 的 ACC、22.61 的 FID 和 0.3874 的 LPIPS。在多个目标模型上的大量实验表明，在所评估的白盒协议下，SFMI 在攻击成功率和视觉保真度方面实现了具有竞争力的最先进性能。