面部變形攻擊通過生成可同時驗證多個身份的人臉圖像，對邊境控制和身份認證系統構成嚴重威脅。針對這一問題，研究人員提出了MorphUNet——一種基於擴散模型的新型變形框架，將雙父本生成問題重新定義為α控制的生物特徵傳輸。
MorphUNet的核心創新在於其生物特徵傳輸層（Biometric Transport Layer），該層在U-Net去噪過程中通過可訓練的父本分離雙交叉注意力機制，分別處理每個父本的身份特徵。具體而言，每個父本被分解為CLIP外觀信息和ArcFace身份證據，並映射到CLIP兼容的令牌空間中，以獨立的身份感知令牌庫形式保存。在去噪的每一步，網絡同時關注兩個父本的特徵，並通過變形參數α將殘差組合，實現α控制下的身份融合。此外，DDIM逆潛在插值提供了連貫的初始去噪狀態，而弱父本引導選擇策略則優先選擇最大化較低父本相似度得分的變形結果，從而減少向某一父本的坍縮。
在實驗評估中，MorphUNet與三種最先進的基線方法（StableMorph、MIPGAN-II和MorDIFF）在FEI和FRLL數據集上進行了比較，使用了六種不同的識別系統。結果顯示，MorphUNet在至少三個系統被一個變形樣本欺騙的條件下，變形攻擊潛力（MAP）達到最佳：FEI上為0.919，FRLL上為0.886。同時，MorphUNet在兩個數據集上均取得了最優的FID分數（FEI: 35.19, FRLL: 44.86），表明其生成的圖像質量更高。在相同數據集設置下，MorphUNet在5% BPCER下也獲得了最高的APCER；在跨數據集遷移場景中，其檢測難度極高，APCER在FEI上高達0.996，在FRLL上為0.946。
此外，研究還引入了基於CFD（CelebFlow Dataset）的未見身份壓力測試，涵蓋性別和種族配對、人口統計偏移以及父本相似度極端情況。全面的評估包括MAP、MAD、單系統漏洞、身份平衡、圖像質量、頂/底相似度壓力測試以及CFD未見身份魯棒性分析。MorphUNet在所有測試中均展現出卓越的性能，進一步證實了其在面部變形攻擊中的有效性。