Look Locally Infer Globally: A Generalizable Face Anti-Spoofing Approach
Georgia Institute of Technology（佐治亚理工学院）
最先进的欺骗检测方法倾向于过拟合训练期间看到的欺骗类型，并且无法推广到未知的欺骗类型。鉴于人脸反欺骗本质上是一个本地任务，我们提出了一个人脸反欺骗框架，即自监督区域全卷积网络（SSR-FCN），它被训练成以自监督的方式从人脸图像中学习本地判别线索。该框架提高了通用性，同时保持了整体人脸反欺骗方法的计算效率（在Nvidia GTX 1080Ti GPU上< 4 ms）。所提出的方法是可解释的，因为它定位了面部的哪些部分被标记为欺骗。实验结果表明，SSR-FCN可以达到TDR = 65%@2.0%FDR时，评估数据集上包括13种不同的欺骗类型在未知的攻击，而标准的基准数据集（Oulu-NPU，CASIA-MFSD，和重放攻击）下实现竞争性的性能。
2020-06-15 cs.CV
Physics-Guided Spoof Trace Disentanglement for Generic Face Anti-Spoofing
Michigan State University（密歇根州立大学）
先前的研究表明，人脸反欺骗的关键在于微妙的图像模式，称为“欺骗痕迹”，例如，颜色失真，3D掩模边缘，莫尔图案，以及许多其他。设计一个通用的人脸反欺骗模型来估计这些欺骗痕迹，不仅可以提高欺骗检测的泛化能力，而且可以提高模型决策的可解释性。然而，这是一个具有挑战性的任务，由于欺骗类型的多样性和缺乏地面真理的欺骗痕迹。在这项工作中，我们设计了一个新的对抗性学习框架，将欺骗面部分解为欺骗痕迹和实时对应物。在物理属性的指导下，欺骗的生成被表示为添加过程和修复过程的组合。添加过程将欺骗描述为引入额外图案的欺骗材料（例如，莫尔图案），其中可以通过去除那些图案来恢复活的对应物。修复过程将欺骗描述为完全覆盖某些区域的欺骗材料，其中必须“猜测”这些区域的活动对应物。我们使用3个附加组件和1个修复组件来表示不同频段的痕迹。经过适当的几何校正后，可以利用解纠缠的欺骗轨迹合成逼真的新欺骗人脸，合成的欺骗人脸可以用于训练和提高欺骗检测的泛化能力。我们的方法在3个测试场景中表现出了卓越的欺骗检测性能：已知攻击，未知攻击和开集攻击。同时，它提供了一个视觉上令人信服的估计欺骗痕迹。源代码和预训练模型将在发布时公开提供。
2020-12-09 cs.CV
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
Michigan State University（密歇根州立大学）
人脸反欺骗是防止人脸识别系统安全漏洞的关键步骤。以前的深度学习方法将面部反欺骗制定为二进制分类问题。他们中的许多人很难掌握足够的欺骗线索，而且概括得很差。在本文中，我们认为辅助监督的重要性，引导学习对歧视性和概括性的线索。学习CNN-RNN模型以使用逐像素监督来估计面部深度，并使用逐序列监督来估计rPPG信号。然后，我们将估计的深度和rPPG融合以区分实时人脸和欺骗人脸。此外，我们引入了一个新的人脸反欺骗数据库，涵盖了大范围的照明，主题和姿态变化。实验结果表明，该模型在数据库内和跨数据库测试方面都达到了最先进的性能。
2018-03-29 cs.CV
Online Adaptive Personalization for Face Anti-spoofing
Qualcomm AI Research（高通人工智能研究院）；Qualcomm Technologies, Inc.（高通技术公司）
人脸认证系统需要一个强大的反欺骗模块，因为它们可以通过伪造授权用户的欺骗图像来欺骗。最近的人脸反欺骗方法依赖于优化的架构和训练目标，以减轻训练和测试用户之间的分布偏移。然而，在真实的在线场景中，来自用户的过去数据包含可用于减轻分布偏移的有价值的信息。因此，我们介绍OAP（在线自适应个性化）：一个轻量级的解决方案，可以适应模型在线使用未标记的数据。OAP可以应用于大多数反欺骗方法之上，而无需存储原始生物特征图像。通过对SiW数据集的实验评估，我们表明OAP提高了现有方法在单一视频设置和连续设置上的识别性能，其中欺骗视频与实时视频交织以模拟欺骗攻击。我们还进行消融研究，以确认我们解决方案的设计选择。
2022-07-04 cs.CV
How far did we get in face spoofing detection?
Federal University of Bahia（巴伊亚联邦大学）；São Paulo State University（圣保罗州立大学）
基于人脸识别的控制访问系统的使用越来越多，这表明需要更准确的系统来检测人脸欺骗攻击。在本文中，广泛的分析，在过去十年发表的人脸欺骗检测工作。所分析的作品按其基本部分进行分类，即，描述符和分类符。这种结构化的调查还带来了人脸欺骗检测领域的时间演变，以及考虑到该领域最重要的公共数据集的作品的比较分析。在这项工作中遵循的方法是特别相关的观察趋势，在现有的方法，讨论仍然开放的问题，并提出新的观点，为未来的人脸欺骗检测。
2018-09-29 cs.CV
Spoofing and Anti-Spoofing with Wax Figure Faces
Wuhan University（武汉大学）；West Virginia University（西弗吉尼亚大学）
近年来，我们见证了人脸呈现攻击模型和呈现攻击检测（PAD）的快速发展。与广泛研究的2D人脸呈现攻击（例如打印照片和视频回放）相比，3D人脸呈现攻击更具挑战性，因为人脸识别系统（FRS）更容易被与真实人脸相似的材料的3D特性所迷惑。现有的3D人脸欺骗数据库，主要是基于3D面具，被限制到小的数据大小，并遭受由于面具生产的难度和成本差的真实性。在这项工作中，我们介绍了一个蜡像人脸数据库（WFFD）作为一种新颖的和超现实的3D人脸呈现攻击。该数据库包含2300对图像（共4600张）和745个主题，包括真实和蜡像面孔，具有高度的多样性，从网上收集。一方面，我们的实验已经证明了欺骗潜力WFFD上三个流行的FRS。另一方面，我们已经开发了一个多功能的投票计划蜡像人脸检测（反欺骗），它结合了三个判别功能的决策层。所提出的检测方法进行了比较，对几个面对PAD的方法，并发现优于其他竞争的方法。令人惊讶的是，我们基于融合的检测方法在WFFD数据库上实现了11.73\%的平均分类出错率（ACER），这甚至优于基于人类的检测。
2019-10-12 cs.CV
Deep Tree Learning for Zero-shot Face Anti-Spoofing
Michigan State University（密歇根州立大学）
人脸反欺骗旨在防止人脸识别系统将假面孔识别为真正的用户。虽然先进的面部反欺骗方法被开发出来，但新类型的欺骗攻击也正在产生，并成为对所有现有系统的威胁。我们将未知欺骗攻击的检测定义为零镜头人脸反欺骗（Zero-Shot Face Anti-Spoofing，简称ZEFA）。以前的研究工作只研究了1-2种欺骗攻击，如打印/重放攻击，这限制了对该问题的深入了解。在这项工作中，我们扩展的欺骗攻击，包括打印攻击，重放攻击，3D面具攻击等13种类型的广泛的欺骗问题，提出了一种新的深度树网络（DTN）来解决的欺骗问题。学习树以无监督的方式将欺骗样本划分为语义子组。当数据样本到达时，无论是已知攻击还是未知攻击，DTN都将其路由到最相似的欺骗集群，并做出二分判决。此外，为了使研究的反欺骗FA，我们介绍了第一个面对反欺骗数据库，其中包含不同类型的欺骗攻击。实验结果表明，该方法在多个测试协议上达到了最佳的测试效果。
2019-04-09 cs.CV
Suppressing Spoof-irrelevant Factors for Domain-agnostic Face Anti-spoofing
Kakao Enterprise
人脸反欺骗旨在通过区分图像是来自人脸还是来自欺骗介质来防止人脸识别系统的错误认证。我们提出了一种称为双重对抗抑制网络（Doubly Adversarial Suppression Network，DNF）的新方法，用于域不可知的人脸反欺骗; DNF通过学习有效抑制欺骗无关因素（Spoof-Relevant Factor，SiF）（例如，照相机传感器、照明）。为了实现我们的目标，我们引入了两种类型的对抗学习方案。在第一个对抗学习方案中，通过部署针对编码器训练的多个鉴别头来抑制多个SIF。在第二对抗学习方案中，每个鉴别头也被对抗训练以抑制欺骗因子，并且次级欺骗分类器和编码器的组旨在通过克服抑制来加强欺骗因子。在四个公共基准数据集上对该方法进行了测试，取得了显著的测试结果.结果表明了该方法的有效性。
2020-12-02 cs.CV
Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Shanghai University（上海大学）；JD AI Research（京东人工智能研究院）
人脸反欺骗（FAS）在防止人脸识别系统遭受呈现攻击方面起着至关重要的作用。现有的人脸反欺骗数据集缺乏多样性，由于身份不足和不显著的方差，这限制了FAS模型的泛化能力。在本文中，我们提出了双重欺骗解纠缠生成（DSDG）框架来解决这个挑战，通过“反欺骗通过生成”。根据变分自编码器（VAE）中的可解释的因子分解潜在解纠缠，DSDG学习潜在空间中的身份表示和欺骗模式表示的联合分布。然后，可以从随机噪声中生成大规模成对的实时和欺骗图像，以提高训练集的多样性。然而，由于VAE的固有缺陷，一些生成的人脸图像部分失真。这样的噪声样本很难预测精确的深度值，因此可能会阻碍广泛使用的深度监督优化。为了解决这个问题，我们进一步引入了一个轻量级的深度不确定性模块（DUM），它通过深度不确定性学习来消除噪声样本的不利影响。DUM是在没有额外依赖的情况下开发的，因此可以灵活地与任何深度监督网络集成，用于面部反欺骗。我们评估了所提出的方法的有效性五个流行的基准，并达到国家的最先进的结果下，内部和内部测试设置。这些代码可在https://github.com/JDAI-CV/FaceX-Zoo/tree/main/addition_module/DSDG上获得。
2021-12-01 cs.CV
Learning Generalizable and Identity-Discriminative Representations for Face Anti-Spoofing
University of Electronic Science and Technology of China（电子科技大学）；National University of Singapore（新加坡国立大学）；National University of Defense Technology（国防科技大学）
由于人脸认证系统的高安全性要求，人脸反欺骗（又称演示攻击检测）受到了越来越多的关注。现有的基于CNN的方法通常在训练和测试欺骗样本显示类似模式时很好地识别欺骗人脸，但在测试看不见场景的欺骗人脸时，它们的性能会急剧下降。在本文中，我们试图通过设计一个具有两个主要新颖性的CNN模型来提高这些方法的通用性和适用性。首先，我们提出了一个简单而有效的总成对混淆（TPC）损失CNN训练，这增强了学习的呈现攻击（PA）表示的泛化能力。其次，我们在CNN模型中加入了快速领域自适应（FDA）组件，以减轻域变化带来的负面影响。此外，我们提出的模型，这是名为广义人脸认证CNN（GFA-CNN），工作在多任务的方式，同时进行人脸反欺骗和人脸识别。实验结果表明，GFA-CNN优于以往的人脸反欺骗方法，也很好地保留了输入人脸图像的身份信息。
2019-01-17 cs.CV
face anti-spoofing based on color texture analysis
University of Oulu（奥卢大学）
人脸欺骗检测的研究主要集中在分析人脸图像的亮度，从而丢弃了色度信息，这可以用来区分真假人脸。在这项工作中，我们提出了一种新的人脸反欺骗方法的基础上的颜色纹理分析。我们分析了联合颜色纹理信息的亮度和色度通道使用颜色局部二进制模式描述符。更具体地，从每个图像带单独提取特征直方图。两个基准数据集，即CASIA面对反欺骗和重放攻击数据库，进行了广泛的实验，表现出优异的结果相比，最先进的。最重要的是，我们的数据库间的评估表明，所提出的方法表现出非常有前途的泛化能力。
2015-11-19 cs.CV
Exploring Hypergraph Representation on Face Anti-spoofing Beyond 2D Attacks
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
人脸反欺骗在保护人脸识别系统免受各种攻击方面起着至关重要的作用。先前的基于模型和深度学习的方法对于2D人脸欺骗实现了令人满意的性能，但是对于更高级的3D攻击（例如生动的面具）仍然有限。在本文中，我们解决了三维人脸反欺骗通过建议超图卷积神经网络（HGCNN）。首先，我们构造了一个计算效率和姿态不变的人脸表示超图上只有几个关键点。然后将超图表示馈送到所设计的HGCNN中，其中超图卷积用于特征提取，而深度辅助也用于3D掩模反欺骗。此外，我们建立了一个三维人脸攻击数据库的颜色，深度和红外光信息，以克服三维人脸反欺骗数据的不足。实验表明，我们的方法实现了国家的最先进的性能，广泛使用的3D和2D数据库，以及提出了一个在各种测试。
2018-12-13 cs.CV
Learning Polysemantic Spoof Trace: A Multi-Modal Disentanglement Network for Face Anti-spoofing
Beihang University（北京航空航天大学）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）
随着人脸识别系统的广泛使用，其脆弱性已变得突出。虽然现有的人脸反欺骗方法可以在攻击类型之间推广，但由于欺骗特征的多样性，通用解决方案仍然具有挑战性。最近，欺骗痕迹解纠缠框架已经显示出巨大的潜力，以应付可见和不可见的欺骗场景，但性能在很大程度上受到单模态输入的限制。本文针对这一问题，提出了一种多模态解纠缠模型，该模型有针对性地学习多语义欺骗痕迹，以实现更准确和鲁棒的通用攻击检测。特别地，基于对抗学习机制，设计了双流解缠网络，分别从RGB和深度输入估计欺骗模式。在这种情况下，它捕获不同攻击中固有的互补欺骗线索。此外，利用融合模块，重新校准两个表示在多个阶段，以促进在每一个单独的模态解开。然后，它执行跨模态聚合，以提供更全面的欺骗跟踪表示进行预测。在多个基准上进行了广泛的评估，表明学习多语义欺骗痕迹有利于反欺骗，具有更可感知和可解释的结果。
2022-12-07 cs.CV
CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset with Rich Annotations
Beijing Jiaotong University（北京交通大学）；SenseTime Group Limited（商汤集团有限公司）；The Chinese University of Hong Kong（香港中文大学）
随着人脸交互系统的广泛应用，人脸交互系统的安全性和可靠性成为一个重要的问题，并投入了大量的研究工作。其中，人脸反欺骗技术是一个重要的研究领域，其目标是识别人脸是真实的还是欺骗的。虽然已经取得了可喜的进展，现有的工作仍然难以处理复杂的欺骗攻击和推广到现实世界的场景。其主要原因是，目前的人脸反欺骗数据集在数量和多样性上都是有限的。为了克服这些障碍，我们贡献了一个大规模的人脸反欺骗数据集，CelebA-Spoof，具有以下吸引人的属性：1）数量：CelebA-Spoof由10，177个主题的625，537张图片组成，明显大于现有的数据集。2)多样性：欺骗图像是从8个场景（2个环境 * 4个照明条件）中捕获的，传感器超过10个。3)注释丰富度：CelebA-Spoof包含10个欺骗类型注释，以及从原始CelebA数据集继承的40个属性注释。配备CelebA-Spoof，我们仔细地在统一的多任务框架中对现有方法进行基准测试，辅助信息嵌入网络（AENet），并揭示了一些有价值的观察结果。
2020-08-01 cs.CV
Face Spoofing Detection by Fusing Binocular Depth and Spatial Pyramid Coding Micro-Texture Features
Shanghai Jiao Tong University（上海交通大学）
鲁棒特征对人脸欺骗检测至关重要，因为各种情况使得特征空间的划分非常复杂。因此，在本文中，提出了两个新的和强大的反欺骗功能。第一个是基于双目相机的深度特征，称为模板面部匹配双目深度（TFBD）特征。第二个是一个高层次的微纹理的基础上的功能称为空间金字塔编码微纹理（SPMT）功能。除了这两个新功能之外，还介绍了新型模板人脸配准算法和空间金字塔编码算法。基于这两个鲁棒特征实现了多模态人脸欺骗检测。在一个广泛使用的数据集和一个我们自己构建的综合数据集上进行了实验。实验结果表明，融合了本文提出的特征的人脸欺骗检测方法具有较强的鲁棒性和时间效率，同时优于其他最先进的传统方法。
2018-03-13 cs.CV
A Dataset and Benchmark for Large-scale Multi-modal Face Anti-spoofing
JD AI Research（京东人工智能研究院）；MUST（澳门科技大学）；NLPR, CASIA, UCAS（中国科学院自动化研究所模式识别国家重点实验室、中国科学院大学）；Universitat de Barcelona, Computer Vision Center（巴塞罗那大学计算机视觉中心）；JD Finance（京东金融）
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。近年来，人脸反欺骗基准数据集的可用性取得了很大进展。然而，现有的人脸反欺骗基准的主题（$\le\negmedspace170$）和模态（$\leq\negmedspace2$）的数量有限，这阻碍了学术界的进一步发展。为了促进人脸反欺骗研究，我们引入了一个大规模的多模态数据集，即CASIA-SURF，这是最大的公开可用的人脸反欺骗数据集的主题和视觉模态。具体地，它由具有$21,000$视频的$1,000$受试者组成，并且每个样本具有$3$模态（即，RGB、深度和IR）。我们还提供了一个测量集，评估协议和训练/验证/测试子集，为人脸反欺骗开发了一个新的基准。此外，我们提出了一种新的多模态融合方法作为基线，该方法进行特征重新加权，以选择信息量更大的通道特征，同时抑制每个模态的有用性较低的特征。在所提出的数据集上进行了大量的实验，以验证其重要性和泛化能力。该数据集可在https://sites.google.com/qq.com/chalearnfacespoofingattackdete上获得
2019-04-01 cs.CV
CelebA-Spoof Challenge 2020 on Face Anti-Spoofing: Methods and Results
Beijing Jiaotong University（北京交通大学）；SenseTime Research（商汤科技研究院）；S-Lab, Nanyang Technological University（南洋理工大学S-Lab）；Amazon Web Services（亚马逊云服务）；ZOLOZ；Meituan（美团）；Vision Intelligence Center of Meituan（美团视觉智能中心）
随着人脸交互系统的广泛应用，人脸交互系统的安全性和可靠性成为一个重要的问题，并投入了大量的研究工作。其中，人脸反欺骗技术是一个重要的研究领域，其目标是识别人脸是真实的还是欺骗的。最近，一个大规模的人脸反欺骗数据集CelebA-Spoof已经发布，其中包括10，177个主题的625，537张图片。就数据和主题的数量而言，它是最大的人脸反欺骗数据集。本文报告了CelebA-Spoof Challenge 2020中使用CelebA-Spoof数据集的Face AntiSpoofing的方法和结果。模型评估是在线进行的隐藏测试集。共有134名参赛者报名参赛，19支队伍提交了有效作品。我们将分析排名靠前的解决方案，并对未来的工作方向进行讨论。
2021-02-26 cs.CV
PipeNet: Selective Modal Pipeline of Fusion Network for Multi-Modal Face Anti-Spoofing
Intel（英特尔）
由于呈现攻击的猖獗和容易发起，面部反欺骗已经成为认证系统的一个越来越重要和关键的安全功能。针对多模态人脸数据集的不足，CASIA近日发布了最新的CASIA-SURF跨种族人脸反欺骗（CeFA）数据集，涵盖3个种族、3种模态、1607个主题、4种协议的2D +3D攻击类型，重点解决跨种族、多模态连续数据中人脸反欺骗泛化能力的提升问题。在本文中，我们提出了一种新的基于流水线的多流CNN架构称为PipeNet的多模态人脸反欺骗。与以前的作品不同，选择性模态管道（SMP）旨在为每种数据模态提供定制的管道，以充分利用多模态数据。有限帧投票（LFV）的目的是确保稳定和准确的预测视频分类。该方法在Chalearn多模态跨种族人脸反欺骗识别论坛@CVPR2020的最终排名中获得第三名。我们最终提交的测试集上的平均分类出错率（ACER）为2.21，标准差为1.26。
2020-04-24 cs.CV
Generalized Face Anti-Spoofing via Multi-Task Learning and One-Side Meta Triplet Loss
National Tsing Hua University（台湾清华大学）；Microsoft AI R&D Center（微软人工智能研发中心）
随着人脸呈现攻击的多样性，模型泛化成为实际人脸反欺骗系统面临的重要挑战。本文提出了一个广义的人脸反欺骗框架，包括三个任务：深度估计，人脸解析，和生活/欺骗分类。通过人脸解析和深度估计任务的逐像素监督，正则化特征可以更好地区分欺骗人脸。在用元学习技术模拟域转移时，所提出的单侧三元组丢失可以进一步大幅度提高泛化能力。在四个公共数据集上的大量实验表明，所提出的框架和训练策略比以前的工作更有效，可以将模型推广到未知领域。
2022-11-29 cs.CV
Leveraging Intermediate Features of Vision Transformer for Face Anti-Spoofing
Graduate School of Information Sciences, Tohoku University, Japan（东北大学信息科学研究生院）；Faculty of Informatics, Shizuoka University, Japan（静冈大学信息学系）
针对人脸识别系统易受照片欺骗攻击的问题，提出基于ViT中间特征的人脸反欺骗检测方法，结合两种数据增强策略，在OULU-NPU、SiW数据集上验证了有效性。
2025-06-16 cs.CV
Domain-generalizable Face Anti-Spoofing with Patch-based Multi-tasking and Artifact Pattern Conversion
Chung-Ang University（中央大学）；Nota AI；Hanbat National University（韩巴国立大学）
本文提出PCGAN网络提升面部反伪装的领域通用性，通过补丁多任务学习解决部分攻击和过拟合问题，实验验证其在检测部分攻击和提升面部识别安全性的有效性。
2026-04-10 cs.CV
Exploiting temporal and depth information for multi-frame face anti-spoofing
JD Finance（京东金融）；Huawei Cloud（华为云）；Chinese Academy of Sciences（中国科学院）
人脸防欺骗对人脸识别系统的安全性具有重要意义。深度监督学习的前期工作已经证明了人脸反欺骗的有效性。然而，他们只是把深度作为单一框架中的辅助监督。不同于这些方法，我们开发了一种新的方法来估计深度信息从多个RGB帧，并提出了一个深度监督架构，可以有效地编码时空信息的演示攻击检测。它包括两个新模块：光流引导特征块（OFFB）和卷积门控递归单元（ConvGRU）模块，其被设计用于提取短期和长期运动以区分活体和欺骗人脸。大量的实验表明，所提出的方法在四个基准数据集上取得了最先进的结果，即OULU-NPU，SiW，CASIA-MFSD和Replay-Attack。
2019-03-05 cs.CV
Improving Face Anti-Spoofing by 3D Virtual Synthesis
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；First Research Institute of the Ministry of Public Security of PRC（中华人民共和国公安部第一研究所）
人脸防欺骗是人脸识别系统安全的关键。基于学习的方法，特别是基于深度学习的方法需要大规模的训练样本来减少过拟合。然而，获取欺骗数据是非常昂贵的，因为在许多视图中应该重新打印和重新捕获活体面部。在本文中，我们提出了一种方法来合成虚拟欺骗数据在三维空间，以缓解这个问题。具体来说，我们将打印照片视为平面，并将其网格化为3D对象，然后在3D空间中随机弯曲和旋转。然后，将变换后的3D照片作为虚拟样本通过透视投影进行渲染。合成的虚拟样本可以显着提高反欺骗性能时，与建议的数据平衡策略相结合。我们有希望的结果为使用廉价和大规模的合成数据推进面部反欺骗开辟了新的可能性。
2021-02-10 cs.CV
Regularized Fine-grained Meta Face Anti-spoofing
Hong Kong Baptist University（香港浸会大学）
随着人脸识别技术的广泛应用，人脸呈现攻击成为一个日益重要的问题。目前已经提出了许多人脸反欺骗方法，但大多数都忽略了对不可见攻击的泛化能力。为了克服这一局限性，这项工作将人脸反欺骗作为一个领域泛化（DG）问题，并试图通过开发一个新的元学习框架来解决这个问题，称为正则化细粒度元学习。为了让我们的人脸反欺骗模型很好地推广到看不见的攻击，所提出的框架训练我们的模型在模拟的域转移场景中表现良好，这是通过在元学习过程中找到广义学习方向来实现的。具体而言，该框架将人脸反欺骗领域知识作为正则化，以便在领域知识的监督下正则化的特征空间中进行元学习。这使得我们的模型更有可能通过正则化元学习找到广义学习方向，用于面部反欺骗任务。此外，为了进一步提高我们的模型的泛化能力，该框架采用了细粒度的学习策略，同时进行元学习在各种领域的变化情况下，在每次迭代。在四个公开数据集上的实验验证了该方法的有效性。
2019-11-25 cs.CV
Domain Agnostic Feature Learning for Image and Video Based Face Anti-spoofing
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
如今，移动和计算设备数量的日益增长导致了对更安全的用户认证系统的需求。人脸反欺骗是生物计量用户身份验证的一种措施，特别是人脸识别，它试图防止欺骗攻击。最先进的反欺骗技术利用深度神经网络的能力，基于来自训练集图像或视频样本的线索来学习区分特征，以努力检测欺骗攻击。然而，由于问题的特殊性质，即由于不同背景、照明条件、相机分辨率、欺骗材料等因素而导致的大的可变性，这些技术通常不能推广到新的样本。在本文中，我们明确地解决了这个问题，并提出了一个类条件域识别模块，该模块与梯度反转层相结合，试图生成具有区分性的实时和欺骗特征，但同时对上述可变性因素具有鲁棒性。大量的实验分析表明，该方法的有效性，现有的基于图像和视频的反欺骗技术，无论是在数值上的改进，以及可视化的学习功能。
2020-04-13 cs.CV
A Novel Face-Anti Spoofing Neural Network Model For Face Recognition And Detection
BITS Pilani, KK Birla Goa Campus（博拉理工学院（BITS Pilani）KK·比拉果阿校区）
人脸识别（FR）系统被用于各种应用，包括道路交叉口，银行和移动银行。FR系统的广泛使用引起了人们对面部生物识别技术对抗欺骗攻击的安全性的担忧，欺骗攻击使用合法用户面部的照片或视频来获得对资源或活动的非法访问。尽管开发了几种FAS或活性检测方法（其在获取时确定面部是活的还是欺骗的），但由于难以识别歧视和操作上合理定价的欺骗特征，问题仍然没有解决。此外，某些面部部分经常重复或与图像混乱相关，导致整体性能较差。本研究提出一种人脸反欺骗神经网络模型，其性能优于现有模型，效率为0.89%。
2022-05-14 cs.CV
FDSNet: Finger dorsal image spoof detection network using light field camera
Indian Institute of Technology Mandi（曼迪印度理工学院）
目前，欺骗攻击，通过生物特征系统是潜在的脆弱性，对识别性能提出了很大的挑战。尽管有广泛的呈现攻击检测（PAD）或活性检测算法，但指纹传感器很容易受到假手指的欺骗。在这种情况下，手指背侧图像可以被认为是一种替代方案，其可以在没有太多用户合作的情况下被捕获，并且更适合于户外安全应用。在本文中，我们提出了第一个可行性研究欺骗攻击场景的手指背认证系统，其中包括四种类型的演示攻击，如印刷纸，包装印刷纸，扫描和移动。本研究还提出了一种基于CNN的欺骗攻击检测方法，该方法采用了最先进的深度学习技术以及迁移学习机制。我们收集了来自33名受试者的196张手指背侧真实图像，使用Lytro相机捕获，并创建了一组784张手指背侧欺骗图像。大量的实验结果表明，所提出的方法对各种欺骗攻击的优越性。
2018-12-18 cs.CV
Deep Representations for Iris, Face, and Fingerprint Spoofing Detection
University of Campinas（坎皮纳斯州立大学）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Federal University of Ouro Preto（奥鲁普雷托联邦大学）
生物识别系统显著改善了个人身份识别和认证，在个人、国家和全球安全中发挥着重要作用。然而，这些系统可能会被欺骗（或“欺骗”），尽管最近在欺骗检测方面取得了进展，但当前的解决方案通常依赖于领域知识、特定的生物识别读取系统和攻击类型。我们假设在传感器上对生物识别欺骗的了解非常有限，以基于两种深度学习方法获得用于虹膜、面部和指纹模态的出色欺骗检测系统。第一种方法包括为每个域学习合适的卷积网络架构，而第二种方法侧重于通过反向传播学习网络的权重。我们考虑了九个生物识别欺骗基准--每个基准包含给定生物识别模态和攻击类型的真实和虚假样本--并通过组合和对比两种学习方法来学习每个基准的深度表示。这种策略不仅提供了对这些方法如何相互作用的更好理解，而且还创建了在九个基准中的八个中超过最知名结果的系统。结果强烈表明，基于卷积网络的欺骗检测系统可以对已知的攻击具有鲁棒性，并且可以毫不费力地适应尚未到来的基于图像的攻击。
2015-01-29 cs.CV
CASIA-SURF CeFA: A Benchmark for Multi-modal Cross-ethnicity Face Anti-spoofing
MUST（澳门科技大学）；NLPR, CASIA（中国科学院自动化研究所模式识别国家重点实验室）；BJTU（北京交通大学）；CVC, UB（巴塞罗那大学计算机视觉中心）；Baidu Research（百度研究院）
种族偏见已经被证明会对人脸识别系统的性能产生负面影响，并且它仍然是人脸反欺骗中的一个开放研究问题。为了研究人脸反欺骗的种族偏见，我们介绍了最大的最新的CASIA-SURF跨种族人脸反欺骗（CeFA）数据集（简称CeFA），涵盖$3$种族，$3$模式，$1,607$主题，和2D加3D攻击类型。四个协议被引入到不同的评估条件下，如跨种族，未知的欺骗或两者兼而有之的影响进行测量。据我们所知，CeFA是第一个在当前已发布/已发布的人脸反欺骗数据集中包含明确种族标签的数据集。然后，我们提出了一种新的多模态融合方法作为强基线来减轻这些偏差，即，在每个模态中应用的静态-动态融合机制（即，RGB、深度和红外图像）。之后，提出了一种部分共享的融合策略，从多个模态中学习互补信息。大量的实验表明，该方法在CASIA-SURF，OULU-NPU，SiW和CeFA数据集上取得了最先进的结果。
2020-03-11 cs.CV
Cross-ethnicity Face Anti-spoofing Recognition Challenge: A Review
Beijing Jiaotong University（北京交通大学）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子研究所）；Beihang University（北京航空航天大学）；Baidu Research（百度研究院）；Westlake University（西湖大学）
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。由于深度神经网络的优异性能和大数据集的可用性，生物识别社区最近取得了令人印象深刻的进展。虽然种族偏见已被证实严重影响人脸识别系统的性能，它仍然是一个开放的人脸反欺骗的研究问题。最近，一个多种族人脸反欺骗数据集CASIA-SURF CeFA已经发布，其目标是测量种族偏见。它是迄今为止最大的跨种族人脸反欺骗数据集，涵盖$3$种族，$3$模式，$1,607$主题，2D加3D攻击类型，以及最近发布的人脸反欺骗数据集中第一个包含明确种族标签的数据集。我们组织了Chalearn Face Anti-spoofing Attack Detection Challenge，其中包括单模态（例如，RGB）和多模态（例如，RGB，深度，红外（IR））围绕这一新资源进行跟踪，以促进旨在减轻种族偏见的研究。两个赛道在开发阶段都吸引了$340$团队，最终分别有11支和8支团队在单模态和多模态人脸反欺骗识别挑战赛中提交了代码。所有的结果都经过组织团队的验证和重新运行，结果用于最终排名。本文概述了挑战，包括其设计，评估协议和结果总结。我们分析排名靠前的解决方案，并从竞争中得出结论。此外，我们还概述了今后的工作方向。
2020-04-23 cs.CV
Static and Dynamic Fusion for Multi-modal Cross-ethnicity Face Anti-spoofing
NLPR, CASIA（中国科学院自动化研究所国家模式识别实验室）；BJTU（北京交通大学）；CVC, UB（巴塞罗那大学计算机视觉中心）；Baidu Research（百度研究院）；MUST（澳门科技大学）
无论使用深度学习和手工制作的方法，视频的动态信息和跨种族的影响很少被考虑在面部反欺骗。在这项工作中，我们提出了一个静态和动态融合机制的多模态人脸反欺骗。受真实和虚假面部之间的运动差异的启发，我们将通过具有静态信息的秩池计算的动态图像合并到用于每种模态的常规神经网络（CNN）中（即，RGB、深度和红外（IR））。然后，我们开发了一种部分共享的融合方法来学习互补的信息，从多个模态。此外，为了研究该提案在跨种族攻击和未知欺骗方面的泛化能力，我们引入了最大的公共跨种族人脸反欺骗（CASIA-CeFA）数据集，涵盖3个种族，3种模式，1607个主题和2D加3D攻击类型。实验结果表明，该方法在CASIA-CeFA、CASIA-SURF、OULU-NPU和SiW上均取得了较好的效果。
2019-12-16 cs.CV
Optimizing DINOv2 with Registers for Face Anti-Spoofing
Graduate School of Information Sciences, Tohoku University, Japan（信息科学研究生院，东北大学，日本）
本文提出基于DINOv2的面部反伪装方法，通过优化注意力机制以检测活体与伪装面部图像的细微差异。
2025-11-25 cs.CV
Liveness Detection in Computer Vision: Transformer-based Self-Supervised Learning for Face Anti-Spoofing
School of Information Technology and Engineering（信息技术与工程学院）；Kazakh-British Technical University（哈萨克斯坦-英国技术大学）；School of IT（信息技术学院）
本文研究基于DINO自监督学习微调的Vision Transformer在人脸反欺骗任务中的表现，并与EfficientNet b2对比，证明Transformer架构在准确性和抗欺骗能力上更优，同时通过自建数据集验证了其在生物特征安全中的应用价值。
2024-06-19 cs.CV
Learning Multiple Explainable and Generalizable Cues for Face Anti-spoofing
Hikvision Research Institute, China（海康威视研究院，中国）
虽然先前基于CNN的人脸反欺骗方法在数据集内测试下取得了有希望的性能，但它们在跨数据集测试下的泛化能力较差。主要原因是它们只使用二进制监督来学习网络，这可能会学习到训练数据集上的任意过度拟合线索。为了使学习到的特征更具有可解释性和可推广性，一些研究者引入了面部深度和反射图作为辅助监督。然而，许多其他可推广的线索尚未被用于面部反欺骗，这限制了它们在跨数据集测试下的性能。为此，我们提出了一个新的框架来学习多个可解释和可概括的线索（MEGC）的脸反欺骗。具体而言，受人类决策过程的启发，除了二元监督之外，还引入了人类主要使用的四种线索作为辅助监督，包括欺骗介质的边界，莫尔图案，反射伪影和面部深度。为了避免额外的标记成本，提出了相应的合成方法来生成这些辅助监督图。在公共数据集上的大量实验验证了这些线索的有效性，我们提出的方法实现了最先进的性能。
2022-02-21 cs.CV
CASIA-SURF: A Large-scale Multi-modal Benchmark for Face Anti-spoofing
National Laboratory of Pattern Recognition (NLPR), Institute of Automation Chinese Academy of Sciences (CASIA) and University of Chinese Academy of Sciences (UCAS)（中国科学院自动化研究所（CASIA）模式识别国家重点实验室（NLPR）和中国科学院大学（UCAS））；Macau University of Science and Technology (MUST)（澳门科技大学（MUST））；Institute of Deep Learning, Baidu Research（百度研究院深度学习研究所）；National Engineering Laboratory for Deep Learning Technology and Application（深度学习技术及应用国家工程实验室）；Universitat de Barcelona (UB) and Computer Vision Center (CVC)（巴塞罗那大学（UB）和计算机视觉中心（CVC））；Instituto Nacional de Astrofísica, Óptica y Electrónica（国立天体物理、光学与电子研究所（INAOE））；Computer Science Department at CINVESTAV-Zacatenco（CINVESTAV-萨卡特科恩科计算机科学系）；Westlake University and Institute of Automation Chinese Academy of Sciences (CASIA)（西湖大学和中国科学院自动化研究所（CASIA））
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。近年来，人脸反欺骗基准数据集的可用性取得了很大进展。然而，现有的人脸反欺骗基准的主题（$\le\negmedspace170$）和模态（$\leq\negmedspace2$）的数量有限，这阻碍了学术界的进一步发展。为了促进人脸反欺骗研究，我们引入了一个大规模的多模态数据集，即CASIA-SURF，这是最大的公开可用的人脸反欺骗数据集的主题和方式。具体地，它由具有$21,000$视频的$1,000$受试者组成，并且每个样本具有$3$模态（即，RGB、深度和IR）。我们还提供全面的评估指标，多样化的评估协议，培训/验证/测试子集和测量工具，为面部反欺骗开发新的基准。此外，我们提出了一种新的多模态多尺度融合方法作为强基线，该方法执行特征重新加权以选择信息量更大的通道特征，同时抑制跨不同尺度的每个模态的不太有用的特征。在所提出的数据集上进行了大量的实验，以验证其重要性和泛化能力。该数据集可在https://sites.google.com/qq.com/face-anti-spoofing/welcome/challengecvpr2019?上获得authuser=0
2020-02-04 cs.CV
Principles of Designing Robust Remote Face Anti-Spoofing Systems
AWS AI Labs（亚马逊云科技人工智能实验室）
本文揭示了现有人脸反欺骗方法对数字攻击的脆弱性，提出威胁分类法，并从模型、流水线和平台鲁棒性等层面给出设计原则，建议采用主动传感器构建主动式系统以应对未知攻击。
2024-06-06 cs.CR cs.CV
Use of in-the-wild images for anomaly detection in face anti-spoofing
Durham University（杜伦大学）
传统的人脸反欺骗方法将其视为二元分类问题，二元分类器在专门的反欺骗数据库上进行训练和验证。这种方法的缺点之一是，由于面部欺骗攻击的可变性、环境因素和通常小的样本大小，这样的分类器不能很好地推广到以前看不见的数据库。异常检测方法将反欺骗作为一类分类问题，正在成为一种越来越受欢迎的替代方法。然而，在所有现有的工作异常检测的脸反欺骗，所提出的训练协议利用专门的反欺骗数据库的图像，即使只有常见的图像的真实面孔是必要的。在这里，我们探讨了使用在野外的图像，图像从非专业的人脸数据库，训练一类分类器，面对反欺骗。采用一种成熟的技术，我们训练卷积自动编码器对真实的面孔和比较的重建误差的输入对一个阈值来分类的人脸图像相应的客户端或冒名顶替者。我们的研究结果表明，在训练集的野生图像中包含显着增加了分类器在一个看不见的数据库上的区分能力，这可以从曲线下面积值的大幅增加中得到证明。在我们的方法的限制，我们注意到，在看不见的数据库上找到一个合适的操作点的问题仍然是一个挑战，证明了一半的总出错率的值。
2020-06-18 cs.CV cs.NE
MToFNet: Object Anti-Spoofing with Mobile Time-of-Flight Data
Samsung SDS（三星 SDS）；Chung-Ang University（中央大学）
在在线市场中，卖家可以恶意地在显示屏上重新捕获其他人的图像以用作欺骗图像，这在人眼中可能是难以区分的。为了防止这种伤害，我们提出了一种反欺骗方法，使用配对的RGB图像和深度图提供的移动相机与时间的战斗传感器。当在显示屏上重新捕获图像时，也可以在欺骗图像中捕获被称为莫尔图案的因屏幕而不同的各种图案。这些模式导致反欺骗模型过度拟合，无法检测在不可见介质上重新捕获的欺骗图像。为了避免这个问题，我们建立了一个新的表示模型，由两个嵌入模型组成，可以在不考虑重新捕获的图像的情况下进行训练。此外，我们新引入了mToF数据集，这是最大和最多样化的对象反欺骗数据集，也是第一个利用ToF数据的数据集。实验结果证实，我们的模型实现了强大的泛化，即使在看不见的领域。
2021-10-06 cs.AI cs.CV
Spoof Trace Discovery for Deep Learning Based Explainable Face Anti-Spoofing
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS）；China Mobile Financial Technology Co., Ltd.（中国移动金融科技有限公司）；Guangzhou Pixel Solutions Co., Ltd.（广州像素解决方案有限公司）；Center for Machine Vision and Signal Analysis, University of Oulu（奥卢大学机器视觉与信号分析中心）；CAIR, HKSIS, Chinese Academy of Sciences（中国科学院香港创新研究所有限公司）；SCSE, the Faculty of Innovation Engineering, M.U.S.T（澳门创新工程学院SCSE）
针对现有深度学习人脸反欺骗模型仅能分类、无法解释判定原因的问题，提出X-FAS可解释人脸反欺骗任务与SPTD欺骗痕迹发现方法，构建带专家标注的基准，验证了该方法生成可靠解释的能力。
2025-09-05 cs.AI cs.CV
Camera Invariant Feature Learning for Generalized Face Anti-spoofing
City University of Hong Kong（香港城市大学）；Shenzhen Research Institute, City University of Hong Kong（香港城市大学深圳研究院）；Nanyang Technological University（南洋理工大学）
在基于学习的人脸反欺骗中，越来越多的人认为相机模型的分歧导致了实际应用场景中的巨大领域差距。我们描述了一个框架，消除了固有的差异的影响，从采集相机在特征级别，导致广义人脸欺骗检测模型，可以高度适应不同的采集设备。特别是，该框架由两个分支组成。第一个分支旨在通过高频域中的特征级分解来学习相机不变欺骗特征。由于欺骗特征不仅存在于高频域，在第二分支中，基于高频和低频信息的重组，进一步提高了提取的欺骗特征对增强图像的鉴别能力。最后，通过加权策略将两个分支的分类结果融合在一起。实验结果表明，该方法在数据集内和跨数据集的情况下均能取得较好的性能，在各种应用场景下均具有较高的泛化能力。
2021-01-25 cs.AI cs.CV
Data Quality as Predictor of Voice Anti-Spoofing Generalization
University of Eastern Finland（东芬兰大学）；Queen Mary University of London（伦敦玛丽女王大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；LORIA（洛林计算机科学及其应用实验室）；National University of Singapore（新加坡国立大学）
语音反欺骗的目的是将给定的话语分类为真实的人类样本或欺骗攻击（例如合成或重放样本）。人们已经提出了许多反欺骗方法，但其中大多数都未能跨域（语料库）进行推广--而且我们不知道\emph{why}。我们概述了一个新的解释框架，衡量反欺骗性能的数据质量的影响。我们的域内和域间实验汇集了来自七个公共语料库的数据和三种基于高斯混合和卷积神经网络模型的反欺骗方法。我们评估的影响，长期的频谱信息，扬声器人口（通过x向量扬声器嵌入），信噪比，和选定的语音质量特征。
2021-06-21 cs.CV cs.LG cs.SD
3D Face Anti-spoofing with Factorized Bilinear Coding
Wuhan University（武汉大学）；West Virginia University（西弗吉尼亚大学）
近年来，我们见证了人脸呈现攻击模型和呈现攻击检测（PAD）的快速发展。与广泛研究的2D人脸呈现攻击相比，3D人脸欺骗攻击更具挑战性，因为人脸识别系统更容易被与真实人脸相似的材料的3D特性所迷惑。在这项工作中，我们解决了检测这些真实3D人脸呈现攻击的问题，并从细粒度分类的角度提出了一种新的反欺骗方法。我们的方法，基于多个颜色通道的分解双线性编码（即MC\_FBC），目标是学习真实图像和假图像之间的细微细粒度差异。通过从RGB和YCbCr空间中提取鉴别信息并融合互补信息，我们开发了一种原理性的3D人脸欺骗检测解决方案。一个大规模的蜡像人脸数据库（WFFD）的图像和视频也被收集作为超现实攻击，以促进三维人脸呈现攻击检测的研究。大量的实验结果表明，我们提出的方法实现了国家的最先进的性能在我们自己的WFFD和其他人脸欺骗数据库下的各种数据库内和数据库间的测试方案。
2020-12-13 cs.CV eess.IV
Learning Facial Liveness Representation for Domain Generalized Face Anti-spoofing
National Taiwan University（台湾大学）；Chunghwa Telecom Co., Ltd.（中华电信股份有限公司）
人脸反欺骗（FAS）旨在区分人脸欺骗攻击与真实攻击，通常通过学习适当的模型来执行相关的分类任务。在实践中，人们会期望这样的模型被推广到FAS在不同的图像域。此外，假设预先知道欺骗攻击的类型是不切实际的。在本文中，我们提出了一个深度学习模型来解决上述领域广义人脸反欺骗任务。特别地，我们提出的网络能够将面部活性表示与不相关的面部活性表示（即，面部内容和图像域特征）。由此产生的活性表示具有足够的域不变性质，因此它可以应用于执行域广义FAS。在我们的实验中，我们在五个具有各种设置的基准数据集上进行了实验，并且我们验证了我们的模型在识别看不见的图像域中的新型欺骗攻击方面对最先进的方法表现良好。
2022-08-16 cs.CV cs.LG
A Closer Look at Geometric Temporal Dynamics for Face Anti-Spoofing
Microsoft AI R&D Center, Taiwan（台湾微软人工智能研发中心）；Stanford University（斯坦福大学）；National Tsing Hua University, Taiwan（台湾国立清华大学）
提出GAIN模型，利用ST-GCN和跨注意力机制捕捉人脸几何时序动态，以区分活体与欺骗的正常/异常运动，在跨数据集跨类型协议上AUC提升10.26%，显著增强了对未见域和欺骗类型的鲁棒性。
2023-06-25 cs.CV cs.LG
Face Anti-Spoofing by Learning Polarization Cues in a Real-World Scenario
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Center for Research on Intelligent Perception and Computing（智能感知与计算研究中心）；Tianjin Academy for Intelligent Recognition Technologies（天津智能识别技术研究院）
人脸防欺骗是防止生物识别应用中安全漏洞的关键。现有的基于软件和基于硬件的人脸活性检测方法仅在受限环境或指定数据集中有效。使用RGB和红外图像的深度学习方法需要大量的训练数据来进行新的攻击。在本文中，我们提出了一种人脸反欺骗方法在现实世界中的场景中，通过自动学习的物理特性，在偏振图像的一个真实的脸相比，欺骗性攻击。提出了一种基于卷积神经网络和支持向量机的人脸特征提取和分类算法。我们的实时偏振人脸反欺骗（PAAS）检测方法使用片上集成的偏振成像传感器与优化的处理算法。通过学习33个人的偏振人脸图像，大量的实验证明了PAAS技术在不受控制的室内和室外条件下对抗各种人脸欺骗攻击（打印，重放，面具）的优势。发布了一个四方向偏振人脸图像数据集，以启发未来在生物识别反欺骗领域的应用。
2022-06-16 cs.CV cs.LG eess.IV
Deep Frequent Spatial Temporal Learning for Face Anti-Spoofing
Guangzhou Huya Information Technologies Co., Limited（广州虎牙信息科技有限公司）；University of Oxford（牛津大学）
人脸防欺骗是人脸识别系统安全的关键，它可以有效地防止呈现攻击。以前的工作已经表明，使用深度和时间的监督这项任务的有效性。然而，深度监督往往只考虑在一个单一的帧，和时间的监督是探索通过利用某些信号，这是不鲁棒的场景变化。在这项工作中，受两个流ConvNets的启发，我们提出了一种新的两个流FreqSaptialTemporalNet用于人脸反欺骗，它同时利用了频繁，空间和时间信息。与现有的在多帧RGB图像中挖掘欺骗线索的方法相比，我们将多帧频谱图像作为判别式深度神经网络的一个输入流，鼓励自动挖掘真实视频和假视频之间的主要差异。大量的实验表明，使用所提出的架构有前途的改善效果。同时，提出了一种利用频繁增强流水线获取大量欺骗训练数据的简洁方法，有助于实时图像和虚假图像之间的细节可视化，以及训练大型网络时的数据不足问题。
2020-01-20 cs.CV cs.LG eess.IV
Generalizable Method for Face Anti-Spoofing with Semi-Supervised Learning
由于生物特征认证系统的高安全性要求，人脸反欺骗已经引起了人们的广泛关注。将面部生物识别技术引入商业硬件主要依赖于开发可靠的方法来检测虚假登录会话，而无需专门的传感器。目前基于CNN的方法在它们训练的领域上表现良好，但在以前看不见的数据集上往往表现出很差的泛化能力。在本文中，我们描述了一种利用无监督的预训练来提高多个数据集的性能而无需任何调整的方法，引入了用于监督微调的条目反欺骗数据集，并提出了一个多类辅助分类层，用于增强检测欺骗尝试的二进制分类任务。我们通过在MSU-MFSD、Replay-Attack和OULU-NPU数据集上进行跨数据集测试来证明我们模型的效率。
2022-06-13 cs.AI cs.CR cs.CV
