Federated Face Presentation Attack Detection
Hong Kong Baptist University（香港浸会大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
人脸呈现攻击检测（fPAD）在现代人脸识别流程中起着关键作用。用不同输入分布的人脸图像和不同类型的欺骗攻击训练人脸呈现攻击检测模型，可以得到具有良好泛化能力的人脸呈现攻击检测模型。实际上，由于法律和隐私问题，训练数据（真实面部图像和欺骗图像两者）不直接在数据所有者之间共享。在本文中，与规避这一挑战的动机，我们提出了联邦人脸呈现攻击检测（FedPAD）框架。FedPAD同时利用不同数据所有者提供的丰富fPAD信息，同时保护数据隐私。在所提出的框架中，每个数据所有者（称为\textit{data centers}）在本地训练其自己的fPAD模型。服务器通过迭代聚合来自所有数据中心的模型更新来学习全局fPAD模型，而无需访问每个数据中心中的私有数据。一旦学习的全局模型收敛，它就用于fPAD推理。我们引入实验设置来评估所提出的FedPAD框架，并进行了广泛的实验，以提供有关fPAD的联邦学习的各种见解。
2020-09-29 cs.CV
Understanding Cross Domain Presentation Attack Detection for Visible Face Recognition
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
人脸签名，包括大小、形状、纹理、肤色、眼睛颜色、外观和疤痕/标记，被广泛用作用于访问控制的有区别的生物特征信息。尽管面部识别系统最近取得了进步，但对面部识别系统的呈现攻击已经变得越来越复杂。检测演示攻击或欺骗尝试的能力是面部识别系统的完整性，安全性和信任的紧迫问题。先前已经引入了多光谱成像作为通过利用对电磁频谱的不同区域敏感的传感器（例如，可见光、近红外、长波红外）。虽然多光谱呈现攻击检测系统可以是有区别的，但是对附加传感器和计算资源的需要实质上增加了复杂性和成本。相反，我们提出了一种方法，在训练过程中利用红外图像的信息，以提高基于可见光的演示攻击检测系统的可分辨性。我们介绍了（1）一个新的跨域演示攻击检测框架，它只使用可见光谱图像来增加善意和演示攻击的可分离性，（2）一种逆域正则化技术，用于在优化我们的跨域演示攻击检测框架时增加训练稳定性，以及（3）一个密集的领域自适应子网络，用于在可见和不可见域之间转换表示。
2021-11-03 cs.CV
Asymmetric Modality Translation For Face Presentation Attack Detection
人脸呈现攻击检测（PAD）是防止人脸识别系统被恶意用户欺骗的重要措施，受到学术界和工业界的广泛关注。虽然现有的大多数方法都能在一定程度上达到期望的性能，但是在跨域设置下的人脸呈现攻击检测的泛化问题（例如，设置不可见的攻击和变化的照明）仍然有待解决。在本文中，我们提出了一种新的框架，基于非对称模态翻译的双模态场景中的人脸呈现攻击检测。在此框架下，我们建立了真实面孔的两种模态意象之间的联系。提出了一种新的模态融合方法，即通过非对称模态转换器将一种模态的图像转换为另一种模态的图像，然后与对应的成对图像进行融合。将融合结果作为输入馈送到用于推理的神经网络。译者的训练受不对称的情态翻译损失的监督。此外，基于局部引力模式（PLGF）表示的光照归一化模块用于减少光照变化的影响。我们在三个公共数据集上进行了大量的实验，验证了我们的方法在检测各种类型的攻击方面是有效的，并且在不同的评估协议下达到了最先进的性能。
2021-10-20 cs.CV
The Invisible Threat: Evaluating the Vulnerability of Cross-Spectral Face Recognition to Presentation Attacks
Idiap Research Institute（IDiap研究机构）
本研究系统评估了NIR-VIS跨光谱人脸识别系统对呈现攻击的脆弱性，发现尽管该系统具备一定可靠性，但仍易受特定攻击威胁，亟需进一步研究。
2025-05-01 cs.CV
Client-Specific Anomaly Detection for Face Presentation Attack Detection
University of Surrey（萨里大学）
以前已经发现一类异常检测方法在面部呈现攻击检测中是有效的，特别是在系统暴露于新型攻击的\textit{unseen}攻击场景中。这项工作遵循相同的异常为基础的制定的问题，并分析了部署\textit{client-specific}信息的优点，人脸欺骗检测。我们建议使用从预训练的深度卷积神经网络获得的表示来训练一类客户端特定的分类器（生成式和判别式）。接下来，基于特定于主题的分数分布，为每个客户端设置不同的阈值，然后将其用于关于测试查询的决策。通过广泛的实验，使用不同的一类系统，它表明，使用客户端特定的信息在一类异常检测制定（无论是在模型构建以及决策阈值调整），显着提高了性能。此外，还证明了用于识别目的的同一组深度卷积特征对于特定于类的一类异常检测范例中的面部呈现攻击检测是有效的。
2018-07-02 cs.CV
Cross-domain Face Presentation Attack Detection via Multi-domain Disentangled Representation Learning
University of Chinese Academy of Sciences（中国科学院大学）；Peng Cheng Laboratory（鹏城实验室）
人脸呈现攻击检测一直是人脸识别系统中亟待解决的问题。传统的方法通常假设测试和训练在同一个域内;因此，它们可能无法很好地推广到看不见的场景中，因为为PAD学习的表示可能过拟合训练集中的受试者。鉴于此，我们提出了一个有效的解纠缠表示学习的跨域人脸PAD。我们的方法包括解纠缠的表示学习（DR-Net）和多领域学习（MD-Net）。DR-Net通过生成模型学习一对编码器，可以将PAD信息特征与主题区分特征分离开来。来自不同领域的解纠缠特征被馈送到MD-Net，MD-Net为最终的跨领域人脸PAD任务学习领域独立特征。在多个公共数据集上的实验验证了该方法的有效性。
2020-04-04 cs.CV
FRT-PAD: Effective Presentation Attack Detection Driven by Face Related Task
Institute of Artificial Intelligence and Robotics for Society（人工智能与数字经济广东省实验室（深圳））；Norwegian University of Science and Technology（挪威科技大学）；Shenzhen University（深圳大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
呈现攻击检测方法的鲁棒性和泛化能力是保证人脸识别系统安全的关键。然而，在实际场景中，呈现攻击（PA）是多种多样的，并且很难预测攻击者将使用的呈现攻击工具（PAI）种类。现有的PAD方法高度依赖于有限的训练集，并且不能很好地推广到未知的PAI种类。与这个特定的PAD任务不同，通过大量真实人脸训练的其他人脸相关任务（例如人脸识别和属性编辑）可以有效地应用于不同的应用场景。受此启发，本文提出在人脸系统中交换人脸检测和人脸相关工作的位置，并利用人脸相关工作中自由获取的先验知识求解人脸检测，从而提高人脸检测的泛化能力。该方法首先从其他人脸相关任务中引入任务特定的特征，然后利用图注意力网络（GAT）设计一个跨模式适配器来重新映射这些特征以适应PAD任务。最后，通过使用基于CNN的PA检测器的分层特征和重新映射的特征来实现人脸PAD。实验结果表明，与现有方法相比，该方法在复杂混合数据集上的性能有了明显的提高。特别是，当在数据集OULU-NPU，CASIA-FASD和Idiap Replay-Attack上进行训练时，我们获得了测试数据集MSU-MFSD的HTER（半总出错率）为5.48%，优于基线7.39%。
2022-07-31 cs.CV
Generalized Presentation Attack Detection: a face anti-spoofing evaluation proposal
GRADIANT；University of Vigo（维戈大学）；University of Alcalá（阿尔卡拉大学）
在过去的几年里，呈现攻击检测（PAD）已经成为面部识别系统的基本组成部分。尽管反欺骗研究已经投入了大量的精力，但在真实场景中的推广仍然是一个挑战。在本文中，我们提出了一个新的开源评估框架来研究面PAD方法的泛化能力，这里称为面GPAD。这个框架有利于创建新的协议，重点是建立公平的程序，PAD解决方案之间的评价和比较的泛化问题。我们还引入了一个大型的聚合和分类数据集，以解决公开数据集之间的不兼容问题。最后，我们提出了一个基准测试，增加了两个新的评估协议：一个用于测量面部分辨率变化带来的影响，第二个用于评估对抗性操作条件的影响。
2019-04-12 cs.CV
Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation
Hong Kong Baptist University（香港浸会大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
人脸呈现攻击检测（fPAD）在现代人脸识别流程中起着关键作用。人脸呈现攻击检测模型对不可见攻击的泛化能力已经成为现实世界部署的关键问题，当模型使用来自不同输入分布和不同类型欺骗攻击的人脸图像进行训练时，可以提高模型的泛化能力。实际上，由于法律和隐私问题，不允许在不同数据源之间直接共享训练数据（真实面部图像和欺骗图像两者）。在本文中，为了规避这一挑战，我们提出了一个联邦测试时自适应人脸呈现攻击检测与双阶段隐私保护框架，目的是提高fPAD模型在训练和测试阶段的泛化能力，同时保护数据隐私。在训练阶段，所提出的框架利用了联邦学习技术，该技术通过聚合来自不同数据源的模型更新，同时利用不同数据源的丰富fPAD信息，而无需访问它们的私有数据。为了进一步提高泛化能力，在测试阶段，我们通过最小化fPAD模型对测试数据的预测熵，探索测试时自适应，从而缩小了训练数据和测试数据之间的领域差距，从而降低了fPAD模型的泛化误差。我们引入实验设置来评估所提出的框架，并进行了广泛的实验，以提供有关所提出的fPAD方法的各种见解。
2021-10-25 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
Federated Generalized Face Presentation Attack Detection
Hong Kong Baptist University（香港浸会大学）；AWS AI Labs（AWS人工智能实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）
人脸呈现攻击检测在现代人脸识别流程中起着至关重要的作用。用不同输入分布的人脸图像和不同类型的欺骗攻击训练人脸呈现攻击检测模型，可以得到具有良好泛化能力的人脸呈现攻击检测模型。实际上，由于法律和隐私问题，训练数据（真实面部图像和欺骗图像两者）不直接在数据所有者之间共享。在本文中，为了规避这一挑战，我们提出了一个联合人脸呈现攻击检测（FedPAD）框架，该框架同时利用了不同数据所有者提供的丰富fPAD信息，同时保护了数据隐私。在所提出的框架中，每个数据中心在本地训练自己的fPAD模型。服务器通过迭代聚合来自所有数据中心的模型更新来学习全局fPAD模型，而无需访问每个数据中心中的私有数据。为了使服务器端的聚合fPAD模型对来自用户的不可见攻击具有更好的泛化能力，在FedPAD的基本思想基础上，进一步提出了一种联邦广义人脸呈现攻击检测（FedGPAD）框架。FedGPAD中引入了一种联邦域解纠缠策略，该策略将每个数据中心视为一个域，并将fPAD模型分解为每个数据中心中的域不变部分和域特定部分。两个部分分别从每个本地数据中心的图像中分离出域不变特征和域特定特征。服务器通过仅聚合来自数据中心的fPAD模型的域不变部分来学习全局fPAD模型，并且因此可以在服务器中聚合更通用的fPAD模型。我们引入实验设置来评估所提出的FedPAD和FedGPAD框架，并进行广泛的实验，以提供有关fPAD的联邦学…
2022-05-01 cs.CV
SynthASpoof: Developing Face Presentation Attack Detection Based on Privacy-friendly Synthetic Data
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所IGD）；TU Darmstadt（达姆施塔特工业大学）
本文提出首个基于合成数据的大规模人脸呈现攻击检测数据集SynthASpoof，并验证其用于开发PAD的可行性，同时结合MixStyle域泛化工具提升性能，展示了合成数据补充真实训练数据以增强PAD表现的潜力。
2023-04-11 cs.CV
FaceSpoof Buster: a Presentation Attack Detector Based on Intrinsic Image Properties and Deep Learning
Federal Institute of São Paulo (IFSP)（圣保罗联邦理工学院）；University of Campinas (UNICAMP)（坎皮纳斯大学）
如今，生物特征认证系统通常采用面部识别，主要是因为这是最容易获得的生物特征模式之一。依赖于通过使用伪造的生物特征样本（例如打印的纸张或真实访问的记录视频）侵入这些类型的系统的技术被称为呈现攻击，但在文献中也可以被称为面部欺骗。呈现攻击检测是防止这种对受限区域和/或设备的未授权访问的关键步骤。在本文中，我们提出了一种新的方法，该方法依赖于内在图像属性和深度神经网络之间的组合来检测演示攻击尝试。我们的方法探索深度，显着性和照明地图，与预先训练的卷积神经网络，以产生强大的和判别功能。这些属性中的每一个都被单独分类，在过程的最后，它们被Meta学习分类器组合在一起，这在PAD最流行的数据集上取得了出色的结果。结果表明，所提出的方法是能够超越国家的最先进的结果，在一个数据集间的协议，这被定义为最具挑战性的文献。
2019-02-07 cs.CV
PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics
Universidad Autonoma de Madrid（马德里自治大学）；Veridas Digital Authentication Solutions（Veridas数字认证解决方案公司）
针对人脸呈现攻击检测问题，提出三种基于rPPG的检测方法，其中结合生理域与Deepfakes域迁移学习的呈现攻击域可使ACER下降21.70%，验证了迁移学习的有效性。
2023-10-03 cs.CV
Sound-Print: Generalised Face Presentation Attack Detection using Deep Representation of Sound Echoes
Norwegian University of Science and Technology（挪威科技大学）；AiBA AS（AiBA公司）
针对智能手机人脸验证中的未知呈现攻击，本文提出 Sound-Print，利用宽脉冲声学回声及其深度反射表征进行 PAD，并在 ASED 数据集上验证了鲁棒性。
2023-09-24 cs.CV
Introduction to Presentation Attack Detection in Face Biometrics and Recent Advances
Universidad Autonoma de Madrid（马德里自治大学）；European Commission - DG Joint Research Centre（欧盟委员会联合研究中心）
本章的主要内容是介绍人脸呈现攻击检测，包括过去几年该领域的关键资源和进展。接下来的几页介绍了人脸识别系统可能面临的不同呈现攻击，其中攻击者向传感器呈现，主要是相机，呈现攻击工具（PAI），通常是照片，视频或面具，试图冒充真正的用户。首先，我们介绍了人脸识别的现状，部署水平及其面临的挑战。此外，我们提出的漏洞和可能的攻击，人脸识别系统可能会暴露，显示的方式演示攻击检测方法的高度重要性。我们回顾了不同类型的演示攻击方法，从简单到更复杂的，在这种情况下，他们可能是有效的。然后，我们总结了最流行的演示文稿攻击检测方法来对付这些攻击。最后，我们介绍了研究界使用的公共数据集，用于探索面部生物特征识别对演示攻击的脆弱性，并针对已知的PAI制定有效的对策。
2021-11-26 cs.CV eess.IV
TransRPPG: Remote Photoplethysmography Transformer for 3D Mask Face Presentation Attack Detection
University of Oulu（奥卢大学）；Alibaba Group（阿里巴巴集团）
3D面具人脸呈现攻击检测（PAD）在保护人脸识别系统免受紧急3D面具攻击方面起着至关重要的作用。最近，远程光电体积描记术（rPPG）已被开发为3D掩模PAD的内在活性线索，而不依赖于掩模外观。然而，三维掩模PAD的rPPG特征仍然需要专家知识进行人工设计，这限制了其在深度学习和大数据时代的进一步发展。在这封信中，我们提出了一个纯粹的rPPG Transformer（transRPPG）的框架学习内在活性表示有效。首先，基于rPPG的多尺度时空地图（MSTmap）的面部皮肤和背景区域构造。然后，Transformer充分挖掘MSTmaps中的全局关系用于活性表示，并给出用于3D掩模检测的二进制预测。在两个基准数据集上进行了全面的实验，以证明TransRPPG在数据集内和跨数据集测试上的有效性。我们的TransRPPG是轻量级和高效的（只有547K的参数和763M FLOPs），这是有前途的移动级应用程序。
2021-04-15 cs.CV
Self-Supervised Face Presentation Attack Detection with Dynamic Grayscale Snippets
Center for Machine Vision and Signal Analysis（机器视觉与信号分析中心）；University of Oulu（奥卢大学）
人脸呈现攻击检测（PAD）在人脸识别系统抵御呈现攻击中起着重要的作用。PAD的成功很大程度上依赖于监督学习，这需要大量的标记数据，这对于视频来说尤其具有挑战性，并且通常需要专业知识。为了避免标记数据的昂贵收集，本文提出了一种新的方法，通过运动预测的自监督视频表示学习。为了实现这一点，我们利用时间的一致性的基础上，在三个不同的时间在视频序列中获得的三个RGB帧。然后将获得的帧转换为灰度图像，其中每个图像被指定为三个不同的通道，例如R（红色），G（绿色）和B（蓝色），以形成动态灰度片段（DGS）。受此启发，通过使用视频的不同时间长度，自动生成标签，以增加基于DGS的时间多样性，这被证明是非常有帮助的下游任务。受益于我们的方法的自我监督性质，我们报告了在四个公共基准上优于现有方法的结果，即重放攻击，MSU-MFSD，CASIA-FASD和OULU-NPU。通过LIME和Grad-CAM技术进行了可解释性分析，以可视化DGS中使用的最重要的功能。
2022-11-01 cs.CV
Are Explainability Tools Gender Biased? A Case Study on Face Presentation Attack Detection
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所）；TU Darmstadt（达姆施塔特工业大学）
本研究针对人脸识别领域可解释性工具偏见未被探究的问题，以人脸呈现攻击检测为案例，通过在不同偏见程度的模型上测试两种可解释性工具，发现其解释质量存在明显性别偏见。
2023-06-13 cs.CV
Partial Attack Supervision and Regional Weighted Inference for Masked Face Presentation Attack Detection
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
戴口罩已被证明是预防SARS-CoV-2冠状病毒传播的最有效方法之一。然而，戴口罩提出了不同的人脸识别任务的挑战，并提出了蒙面人脸呈现检测（PAD）的性能的关注。面具脸PAD面临的主要问题是错误分类的真实面具脸和错误分类的部分攻击（被真实面具覆盖）。这项工作通过提出一种方法来解决这些问题，该方法考虑部分攻击标签来监督PAD模型训练，以及区域加权推理，通过改变对不同面部区域的关注来进一步提高PAD性能。我们提出的方法不直接与特定的网络架构相关联，因此可以直接纳入任何常见或定制设计的网络。在我们的工作中，两个神经网络（DeepPixBis和MixFaceNet）被选为骨干。在协作真实掩码攻击（CRMA）数据库上进行了实验。我们提出的方法优于建立PAD方法在CRMA数据库中，减少了上述缺点时，面对蒙面的脸。此外，我们提出了一个详细的逐步消融研究，指出个人和共同的好处，提出的概念对整体PAD的性能。
2021-11-08 cs.CV
Learning One Class Representations for Face Presentation Attack Detection using Multi-channel Convolutional Neural Networks
Idiap Research Institute（伊迪亚普研究所）
人脸识别已经发展成为一种广泛使用的生物识别方式。然而，它对演示攻击的脆弱性构成了重大的安全威胁。尽管呈现攻击检测（PAD）方法试图解决这个问题，但它们通常无法推广到看不见的攻击。在这项工作中，我们提出了一个新的框架PAD使用一类分类器，其中使用的表示是学习与多通道卷积神经网络（MCCNN）。引入了一种新的损失函数，迫使网络在远离攻击表征的情况下，为善意类学习一个紧凑的嵌入。一类高斯混合模型用于PAD任务的这些嵌入之上。建议的框架引入了一种新的方法来学习一个强大的PAD系统从真正的和可用的（已知）攻击类。这一点尤其重要，因为收集真实数据和简单的攻击比收集各种昂贵的攻击要容易得多。建议的系统进行评估，公开的WMCA多通道面对PAD数据库，其中包含各种各样的2D和3D攻击。此外，我们仅使用RGB通道对MLFP和SiW-M数据集进行了实验。在不可见攻击协议中的优异性能表明了该方法的有效性。用于重现结果的软件、数据和协议是公开的。
2020-07-22 cs.CV
Master Face Attacks on Face Recognition Systems
Graduate University for Advanced Studies, SOKENDAI（综合研究大学院大学）；Idiap Research Institute（Idiap研究所）；National Institute of Informatics（国立情报学研究所）；SOKENDAI（综合研究大学院大学）；University of Tokyo（东京大学）
由于其便利性，面部认证现在被广泛使用，特别是在移动设备上，而不是使用个人识别号码或解锁图案的认证。因此，它已成为使用呈现攻击的攻击者的诱人目标。传统的演示攻击使用受害者的面部图像或视频。以前的工作已经证明了主面的存在，即，在人脸识别系统中匹配多个注册模板的人脸，它们的存在扩展了呈现攻击的能力。在本文中，我们进行了广泛的研究，潜变量进化（LVE），一种常用的方法来生成主面。我们运行一个LVE算法的各种情况下，并与一个以上的数据库和/或人脸识别系统，以研究主面孔的属性，并了解在哪些条件下可以生成强大的主面孔。此外，通过分析，我们假设主面孔来自人脸识别系统嵌入空间中的一些密集区域。最后但并非最不重要的是，使用生成的主面孔的模拟演示攻击通常保留了其原始数字形式的假匹配能力，从而证明主面孔的存在构成了实际威胁。
2021-09-08 cs.CV
Are Foundation Models All You Need for Zero-shot Face Presentation Attack Detection?
Biometrics and Security Research Group（生物识别与安全研究组）
本文评估基础模型在零样本人脸活体检测中的有效性与泛化性，并提出一个简单有效的零样本PAD框架，在SiW-Mv2数据库上以留一法协议超越现有最先进方法。
2025-07-22 cs.CV
Attacking Face Recognition with T-shirts: Database, Vulnerability Assessment and Detection
Hochschule Darmstadt（达姆施塔特应用技术大学）；Idiap Research Institute（Idiap研究所）
针对人脸识别系统易受新型呈现攻击、现有检测方法泛化性不足的问题，构建含1608个样本的T恤攻击数据库，验证其威胁性，并提出三种检测方法，其中融合方法性能优异。
2022-11-14 cs.CV
Biometric Face Presentation Attack Detection with Multi-Channel Convolutional Neural Network
Idiap Research Institute（Idiap研究所）
人脸识别是一种主流的生物特征认证方法。然而，易受演示攻击（即欺骗）限制了其在无监督应用程序中的可用性。尽管有许多方法可用于应对呈现攻击（PA），但大多数方法都无法检测到硅胶面具等复杂的攻击。随着呈现攻击工具的质量随着时间的推移而提高，仅用可见光谱实现可靠的PA检测仍然非常具有挑战性。我们认为，多渠道的分析可能有助于解决这个问题。在这种情况下，我们提出了一种多通道卷积神经网络为基础的方法，演示攻击检测（PAD）。我们还介绍了新的宽多通道演示攻击（WMCA）数据库的脸PAD，其中包含各种各样的2D和3D演示攻击的模仿和混淆攻击。从不同的渠道，如颜色，深度，近红外和热的数据可用于推进研究在面部PAD。所提出的方法与基于特征的方法进行了比较，发现其性能优于基线，在引入的数据集上实现了0.3%的ACER。数据库和复制结果的软件都是公开的。
2019-09-19 cs.CR cs.CV
Anomaly Detection-Based Unknown Face Presentation Attack Detection
Johns Hopkins University（约翰斯·霍普金斯大学）
基于异常检测的欺骗攻击检测是人脸呈现攻击检测（fPAD）的最新发展，其中欺骗检测器仅使用用户的未受攻击的图像来学习。这些检测器具有实际意义，因为它们被证明可以很好地推广到新的攻击类型。在本文中，我们提出了一种基于异常检测的欺骗攻击检测的深度学习解决方案，其中分类器和特征表示都是端到端一起学习的。首先，我们在没有攻击图像的情况下，在训练过程中引入一个伪否定类。伪负类使用高斯分布建模，其平均值由加权运行平均值计算。其次，我们使用成对混淆损失来进一步规范训练过程。所提出的方法受益于CNN的表示学习能力，并为fPAD任务学习更好的特征，如我们的消融研究所示。我们在四个公开的数据集上进行了广泛的实验：Replay-Attack，Rose-Youtu，OULU-NPU和Spoof in Wild，以显示所提出的方法比以前的方法的有效性。代码可从以下网址获得：\url{https://github.com/yashasvi97/IJCB2020_anomaly}
2020-07-11 cs.CV
Deep Pixel-wise Binary Supervision for Face Presentation Attack Detection
Idiap Research Institute（Idiap研究所）
人脸识别已经发展成为一种重要的生物特征认证方式。然而，呈现攻击的脆弱性限制了其可靠的部署。自动检测呈现攻击对于在无人值守场景中安全使用人脸识别技术至关重要。在这项工作中，我们引入了一个基于卷积神经网络（CNN）的框架，用于演示攻击检测，具有深度像素监督。该框架仅使用帧级信息，使其适合于部署在智能设备中，具有最小的计算和时间开销。我们证明了所提出的方法在公共数据集内以及跨数据集实验的有效性。所提出的方法在Replay Mobile数据集中实现了0%的HTER，在OULU数据集的Protocol-1中实现了0.42%的ACER，优于现有技术的方法。
2019-07-09 cs.CR cs.CV
A Comprehensive Evaluation on Multi-channel Biometric Face Presentation Attack Detection
Idiap Research Institute（Idiap研究所）
面对呈现攻击的脆弱性是破坏人脸识别系统广泛部署的关键问题。虽然呈现攻击检测（PAD）系统试图解决这个问题，缺乏泛化和鲁棒性仍然是一个主要问题。几项研究表明，使用多通道PAD系统可以减轻这种脆弱性，并使系统更加强大。但是，PAD系统有多种通道可供选择，例如RGB、近红外、短波红外、深度和热传感器。拥有大量传感器会增加系统的成本，因此在选择模态时，需要了解不同传感器针对各种攻击的性能。在这项工作中，我们进行了全面的研究，以了解各种成像方式的有效性PAD。这些研究是在多通道PAD数据集上进行的，该数据集使用14种不同的传感方式收集，考虑了广泛的2D，3D和部分攻击。我们使用了基于多通道卷积网络的架构，该架构使用逐像素的二进制监督。该模型已被评估与不同的通道组合，不同的图像质量上的各种具有挑战性的已知和未知的攻击协议。结果揭示了有趣的趋势，并可以作为安全关键的演示攻击检测系统的传感器选择指针。复制结果的源代码和协议是公开的，这使得将这项工作扩展到其他架构成为可能。
2022-02-21 cs.CV
Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face Presentation Attack Detection
MUST（澳门科技大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技集团明略科学院）；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）；CVC, UB（巴塞罗那大学计算机视觉中心）；Baidu Research（百度研究院）；Westlake University（西湖大学）；University of Oulu（奥卢大学）
人脸呈现攻击检测（PAD）对于保护人脸识别系统免受高保真面具攻击至关重要。大多数现有的3D面罩PAD基准具有几个缺点：1）面罩身份、传感器类型和视频总数有限; 2）面罩的低保真度质量。基本的深度模型和远程光电容积脉搏波（rPPG）方法在这些基准测试中取得了可接受的性能，但仍远未满足实际场景的需求。为了弥合与现实世界应用的差距，我们引入了一个大规模的高保真掩码数据集，即CASIA-SURF HiFiMask（简称HiFiMask）。具体而言，通过7种新型传感器，从75个主题记录了225个逼真面具的总计54，600个视频。结合数据集，我们提出了一个新的对比上下文感知学习框架，即CCL。CCL是一种用于监督PAD任务的新训练方法，它能够通过准确地利用丰富的上下文（例如，主题，面具材料和照明）之间的对活的脸和高保真面具攻击。在HiFiMask和另外三个3D掩模数据集上的广泛实验评估证明了我们方法的有效性。
2021-04-13 cs.CV
A Survey On Anti-Spoofing Methods For Face Recognition with RGB Cameras of Generic Consumer Devices
La Rochelle University（拉罗谢尔大学）；Hanoi University of Science and Technology（河内科技大学）
基于人脸识别的生物识别系统的广泛部署使得人脸呈现攻击检测（人脸反欺骗）成为一个越来越重要的问题。这项调查深入调查了过去二十年来只需要通用消费设备的RGB摄像头的人脸呈现攻击检测（PAD）方法。我们提出了一个面向攻击的类型学现有的脸PAD方法，我们提供了一个审查超过50个最近的脸PAD方法及其相关问题。我们采用了全面介绍的方法，最有影响的脸PAD以下建议的类型学，并按时间顺序。通过这样做，我们描绘了面部PAD领域的主要挑战，演变和当前趋势，并对其未来的研究提供了见解。从实验的角度来看，这份调查文件提供了现有公共数据库的概述和不同PAD方法的广泛比较实验结果。
2020-10-08 cs.CV
Fairness in Face Presentation Attack Detection
Fraunhofer Institute for Computer Graphics Research（弗劳恩霍夫计算机图形学研究所）；Yangzhou University（扬州大学）；TU Darmstadt（达姆施塔特工业大学）；University of Ljubljana（卢布尔雅那大学）
本文针对人脸呈现攻击检测（PAD）的公平性问题，提出了标注数据集CAAD-PAD和新指标ABF，并设计了即插即用的数据增强方法FairSWAP，有效提升了PAD模型的性能与公平性。
2023-10-19 cs.CV
Learnable Multi-level Frequency Decomposition and Hierarchical Attention Mechanism for Generalized Face Presentation Attack Detection
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
随着人脸识别系统在日常生活中的应用越来越广泛，人脸呈现攻击检测（PAD）技术越来越受到人们的关注，并在人脸识别系统的安全保护中发挥着重要作用。尽管手工制作和基于深度学习的方法在数据集内评估中取得了很好的性能，但在处理看不见的场景时，性能会下降。在这项工作中，我们提出了一个双流卷积神经网络（CNN）的框架。一个流适应四个可学习的频率滤波器来学习频域中的特征，其受传感器/照明变化的影响较小。另一个流利用RGB图像来补充频域的特征。此外，我们提出了一个层次化的注意力模块集成，通过考虑CNN不同层中深度特征的性质，在不同阶段将来自两个流的信息连接起来。在数据集内和跨数据集设置中对所提出的方法进行了评估，结果表明，与最先进的方法相比，我们所提出的方法增强了大多数实验设置的通用性，包括明确设计用于域自适应/移位问题的方法。我们成功地证明了我们提出的PAD解决方案的设计，在逐步消融研究，涉及我们提出的可学习的频率分解，我们的分层注意模块设计，和使用的损失函数。公开发布训练代码和预训练模型
2021-11-02 cs.CV
FoundPAD: Foundation Models Reloaded for Face Presentation Attack Detection
Fraunhofer IGD（弗劳恩霍夫应用研究促进协会图形数据研究所）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）；TU Darmstadt（达姆施塔特工业大学）
本文提出 FoundPAD，首次将通过 LoRA 适配并联合训练分类头的基础模型用于人脸 PAD，在少数据、多场景及合成数据条件下均展现出良好泛化性能。
2025-01-06 cs.CV
A Novel Active Solution for Two-Dimensional Face Presentation Attack Detection
Macquarie University（麦考瑞大学）
身份认证是验证个人身份的过程。身份认证方法有多种，其中生物特征认证是最重要的。面部识别是一种具有各种应用的生物特征认证，例如解锁手机和访问银行账户。然而，呈现攻击对面部识别构成了最大的威胁。呈现攻击是一种尝试向摄像头呈现非实时人脸的攻击，例如照片、视频、面具和化妆品。呈现攻击检测是一种对策，它试图识别真正的用户和呈现攻击。金融服务、医疗保健和教育等多个行业在各种设备上使用生物识别认证服务。这说明了呈现攻击检测作为验证步骤的重要性。在本文中，我们研究了最先进的技术，以涵盖与演示攻击检测相关的挑战和解决方案。我们识别和分类不同的演示攻击类型，并确定可用于检测每种攻击的最先进方法。我们比较了有关攻击类型、评估指标、准确性和数据集的最新文献，并讨论了演示攻击检测的研究和行业挑战。大多数演示攻击检测方法依赖于大量的数据训练和质量，这使得它们难以实现。我们介绍了一种有效的主动呈现攻击检测方法，克服了现有文献中的弱点。所提出的方法不需要训练数据，是CPU轻，可以处理低质量的图像，已与不同年龄的用户进行了测试，并被证明是用户友好的和高度鲁棒的二维演示攻击。
2022-12-14 cs.AI cs.CV
MixNet for Generalized Face Presentation Attack Detection
IIIT-Delhi（德里印度理工学院）；Texas A&M University, Kingsville（金斯维尔得克萨斯农工大学）；IIT Jodhpur（焦特布尔印度理工学院）
人脸识别算法的非侵入性和高准确性使其成功部署在从边境访问到移动解锁和数字支付的多个应用程序中。然而，他们对复杂和具有成本效益的演示攻击介质的脆弱性提出了关于其可靠性的基本问题。在文献中，提出了几种表示攻击检测算法，但它们仍然远远落后于现实。现有工作的主要问题是在可见和不可见的设置对多个攻击的概括性。对一种攻击（如打印）有用的算法对另一种攻击（如硅胶面具）表现不令人满意。在本研究中，我们提出了一种基于深度学习的网络，称为\textit{MixNet}，用于检测跨数据库和看不见的攻击设置中的呈现攻击。该算法利用最先进的卷积神经网络架构，并学习每个攻击类别的特征映射。使用多个具有挑战性的人脸呈现攻击数据库，如SMAD和欺骗在野生（SiW-M）数据库进行实验。大量的实验和与现有的最先进的算法的比较表明，所提出的算法的有效性。
2020-10-25 cs.CR cs.CV
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
3D High-Fidelity Mask Face Presentation Attack Detection Challenge
MUST（澳门科技大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技研究院，明略科技）；University of Oulu（奥卢大学）；NLPR, CASIA（中国科学院自动化研究所模式识别国家重点实验室）；SAI, UCAS（中国科学院大学人工智能学院）；ChaLearn；CVC, UB（巴塞罗那大学计算机视觉中心）；INAOE（国家天体物理、光学和电子学研究所）；CINVESTAV（研究与高级研究中心）；CAIR, HKISI, CAS（中国科学院香港创新研究院人工智能与机器人创新中心）；Baidu Research（百度研究院）
3D面具对人脸识别系统的威胁日益严重，受到研究人员的广泛关注。为了便于算法的研究，收集了大规模高保真掩码数据集，即CASIA-SURF HiFiMask（简称HiFiMask）。具体地说，它包括在7种新型传感器下记录的来自75个主题的225个真实面具的总共54，600个视频。基于此数据集和协议3，该协议评估了算法在开集场景下的区分能力和泛化能力，我们组织了3D高保真面具人脸呈现攻击检测挑战赛，以推动基于3D面具的攻击检测研究。它吸引了195支球队进入开发阶段，共有18支球队获得决赛资格。所有的结果都经过了组织团队的验证和重新运行，并将结果用于最终排名。本文概述了挑战，包括所使用的数据集的介绍，协议的定义，评估标准的计算，以及比赛结果的总结和公布。最后，重点介绍和分析了本次大赛的排名靠前的算法、结论总结以及本次大赛为掩码攻击检测提供的研究思路。
2021-08-16 cs.CV
Surveillance Face Presentation Attack Detection Challenge
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；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）；CAS（中国科学院）
本文介绍基于大规模监控高保真面具数据集SuHiFiMask组织的监控场景人脸呈现攻击检测挑战赛，涵盖数据集、协议、评估指标、竞赛结果及顶尖算法思路。
2023-04-15 cs.CV
PARAPH: Presentation Attack Rejection by Analyzing Polarization Hypotheses
University of Colorado at Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
对于诸如机场边境控制的应用，期望能够快速、有效地处理许多捕获对象、具有弱监管并且具有最小不适的生物识别技术。面部识别特别有吸引力，因为它是微创的，但提供相对良好的识别性能。不幸的是，弱监管和最小侵入性的结合使得即使是高度准确的面部识别系统也容易受到通过演示攻击的欺骗。因此，有一个有效的和低成本的系统，能够拒绝这样的attacks.To为此，我们引入PARAPH -一种新的硬件扩展，利用不同的测量光偏振产生一个图像空间中，演示媒体很容易辨别从善意的面部特征。PARAPH系统价格低廉，额外成本不到10美元。该系统快速连续进行两次偏振测量，允许它们近似像素对齐，其中帧速率受相机限制，而不是系统。由于扭曲液晶的有效使用，在分子水平以上没有移动部件。我们使用三种演示攻击媒体在实际面部旁边呈现评估图像--光面纸和磨砂纸上的高质量照片以及LCD上的面部视频。在每种情况下，由PARAPH生成的图像中的实际面部在结构上都可以从呈现中辨别出来，呈现为噪声（打印攻击）或饱和图像（重放攻击）。
2016-05-10 cs.CV
Foundation and Multimodal Large Language Models for Face Presentation and Morph Attack Detection
Idiap Research Institute（Idiap研究所）；Université de Lausanne（洛桑大学）
本文研究通用基础模型和多模态大语言模型是否包含人脸呈现与变形攻击相关信息，通过五种方法在8个公开数据集上测试，发现微调后模型跨数据集检测性能达SOTA，将开源代码。
2026-09-01 cs.CV
Generalizability of CNN Architectures for Face Morph Presentation Attack
Koya University（科亚大学）；The University of Buckingham（白金汉大学）
本研究评估5种CNN架构在人脸变形攻击检测中的泛化能力，使用4个数据集、超过8000张图像，发现InceptionResNet-v2泛化性能最佳。
2023-10-17 cs.CV
Generalized Disguise Makeup Presentation Attack Detection Using an Attention-Guided Patch-Based Framework
Faculty of Computer science and Engineering（计算机科学与工程学院）
本文提出一种通用伪装化妆攻击检测框架，通过两阶段设计提取区域注意力分数并进行局部分析，构建了新的多样化数据集，实验结果表明方法在泛化能力上表现优异。
2026-04-28 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
Robust Face Liveness Detection for Biometric Authentication using Single Image
Rakuten Group Inc.（乐天集团）
针对人脸识别系统易受呈现攻击的漏洞，本文提出一种轻量级CNN框架，利用单图像快速识别多种2D欺骗攻击，并构建了含500多个视频的新数据集以验证其有效性。
2025-11-04 cs.CV
Learning Meta Model for Zero- and Few-shot Face Anti-spoofing
Northwestern Polytechnical University（西北工业大学）；AIBEE；National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所模式识别国家重点实验室）；Winsense Technology Ltd（文思海辉技术有限公司）；University of Oulu（奥卢大学）
人脸防欺骗是人脸识别系统安全的关键。大多数现有的方法将人脸反欺骗描述为一个监督学习问题来检测各种预定义的呈现攻击，这需要大规模的训练数据来覆盖尽可能多的攻击。然而，经过训练的模型很容易过拟合几种常见的攻击，并且仍然容易受到看不见的攻击。为了克服这一挑战，检测器应该：1）学习可以从预定义的呈现攻击中概括出不可见的欺骗类型的判别特征; 2）通过从预定义的攻击和新欺骗类型的一些示例中学习，快速适应新的欺骗类型。因此，我们将人脸反欺骗定义为零和少样本学习问题。在本文中，我们提出了一种新的自适应内部更新Meta人脸反欺骗（AIM-FAS）方法来解决这个问题，通过元学习。具体来说，AIM-FAS训练一个元学习器，专注于通过从预定义的活体和欺骗面部以及一些新攻击的示例中学习来检测看不见的欺骗类型。为了评估所提出的方法，我们提出了几个基准零和Few-Shot FAS。实验结果表明，该算法在已有的zero-shot FAS协议中的性能优于已有算法。
2019-12-02 cs.CV
Fused Classification For Differential Face Morphing Detection
针对人脸变形攻击的差分检测难题，本文提出融合分类方法并构建公开基准，实验验证了其有效性。
2023-09-01 cs.CV
Facial recognition technology and human raters can predict political orientation from images of expressionless faces even when controlling for demographics and self-presentation
Stanford University（斯坦福大学）
研究通过标准化面部图像发现，人类评分者和面部识别算法均能预测政治倾向，且在控制人口统计学特征后依然有效，该关联可推广至政治家自然图像，对隐私和技术监管具有重要启示。
2024-10-13 cs.CV cs.CY cs.HC
Re-evaluation of Face Anti-spoofing Algorithm in Post COVID-19 Era Using Mask Based Occlusion Attack
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）；Virginia Tech Transportation Institute（弗吉尼亚理工交通研究所）
本文研究了后COVID-19时代佩戴口罩和眼镜等面部遮挡物对人脸反欺骗算法性能的影响，发现合成遮挡会显著降低现有PAD算法及新型混合模型的检测性能，揭示了其在大流行后时代的脆弱性。
2024-08-23 cs.CV
On the Robustness of Face Recognition Algorithms Against Attacks and Bias
IIIT-Delhi（德里印度理工学院）；IIT-Jodhpur（焦特布尔印度理工学院）
人脸识别算法已经表现出非常高的识别性能，这表明其适用于现实世界的应用。尽管提高了准确性，这些算法对攻击和偏见的鲁棒性受到了挑战。本文总结了人脸识别算法的鲁棒性受到挑战的不同方式，这可能严重影响其预期的工作。已经讨论了不同类型的攻击，例如物理呈现攻击、伪装/化妆、数字对抗攻击和使用GANs的变形/篡改。我们还讨论了偏见对人脸识别模型的影响，并展示了年龄和性别变化等因素会影响现代算法的性能。本文还提出了这些挑战的潜在原因和一些未来的研究方向，以提高人脸识别模型的鲁棒性。
2020-02-07 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
Learning Symmetry Consistent Deep CNNs for Face Completion
Harbin Institute of Technology（哈尔滨工业大学）；Hefei University of Technology（合肥工业大学）；Anyvision；The Hong Kong Polytechnic University（香港理工大学）
深度卷积网络（CNN）在面部补全方面取得了巨大成功，可以生成合理的面部结构。然而，这些方法在保持面部组件之间的全局一致性和恢复精细的面部细节方面受到限制。另一方面，反射对称性是人脸图像的一个重要性质，有利于人脸识别和一致性建模，但在人脸的深层修复中尚未得到研究。在这项工作中，我们利用两种强制执行的卷积来形成一个一致的CNN模型（即，SymmFCNet）进行有效的面完井。对于其中一个半面上的缺失像素，开发了一个照明重新加权的变形子网来指导另一半面的变形和照明重新加权。对于两个半面上的缺失像素，我们提出了一个生成重建子网，并结合感知对称性损失来加强恢复结构的对称性一致性。SymmFCNet是通过在光照重加权扭曲子网上堆叠生成重建子网来构建的，并且可以从未对齐的人脸图像的训练集进行端到端学习。实验表明，SymmFCNet可以生成高质量的结果，对图像的合成和真实的遮挡，并表现出良好的国家的最先进的。
2018-12-19 cs.CV
Detection of Makeup Presentation Attacks based on Deep Face Representations
Hochschule Darmstadt（达姆施塔特应用技术大学）
面部化妆品有能力大大改变面部外观，这可能会对面部识别的决策产生负面影响。此外，最近有研究表明，化妆品的应用可能被滥用，以发起所谓的化妆演示攻击。在这种攻击中，攻击者可能会涂上浓妆，以达到模仿目标对象的面部外观。在这项工作中，我们评估的COTS人脸识别系统的脆弱性化妆演示攻击采用公开的化妆诱导人脸欺骗（MIFS）数据库。结果表明，化妆呈现攻击可能会严重影响人脸识别系统的安全性。此外，我们提出了一种攻击检测方案，该方案通过分析从潜在的化妆呈现攻击和相应的目标人脸图像中获得的深层人脸表示的差异，将化妆呈现攻击与真正的认证尝试区分开来。所提出的检测系统采用基于机器学习的分类器，该分类器利用结合图像扭曲的用于面部化妆转移的生成对抗网络，利用合成生成的化妆呈现攻击来训练。使用MIFS数据库进行的实验评估揭示了0.7%的检测相等出错率的任务，从化妆演示攻击分离真正的认证尝试。
2021-01-19 cs.CV
Cross Modal Focal Loss for RGBD Face Anti-Spoofing
Idiap Research Institute（IDIAP研究所）；Rue Marconi 19, CH - 1920, Martigny, Switzerland（Idiap Research Institute（正确机构应为IDIAP研究所，原地址为补充信息））
检测演示攻击的自动方法对于确保面部识别技术的可靠使用至关重要。在文献中的大多数方法呈现攻击检测（PAD）失败，在推广到看不见的攻击。近年来，已经提出了多通道方法来提高PAD系统的鲁棒性。通常，只有有限的数据量可用于附加通道，这限制了这些方法的有效性。在这项工作中，我们提出了一个新的框架PAD，使用RGB和深度通道以及一个新的损失函数。新架构使用来自两种模态的互补信息，同时减少过拟合的影响。本质上，提出了一种跨模态焦点损失函数，以将每个通道的损失贡献调制为各个通道的置信度的函数。在两个公开的数据集上的广泛评估证明了所提出的方法的有效性。
2021-03-01 cs.CR cs.CV cs.LG
Tomatoes, Potatoes, and Onions: Questioning the Need for Faces in Face Presentation Attack Detection
Fraunhofer IGD（弗劳恩霍夫应用信息技术研究所）；TU Darmstadt（达姆施塔特工业大学）
本研究提出无人脸数据集TPO，在其上训练的PAD模型在跨数据集人脸PAD基准上表现优异，证明可迁移的PAD表示可独立于人脸内容学习，为隐私保护PAD开发提供新方向。
2026-08-28 cs.CV
