提出一种新的双阶段解缠表示学习方法,可以更好地检测未见攻击类型,以防止过度拟合于预定义的欺骗攻击类型,并在多个交叉类型的面部反欺骗基准测试中表现出卓越的准确性。
Oct, 2021
本文综述分析了现有的人脸反欺诈像素级监督方法,提出了一种新的金字塔监督,在五个基准数据集上的实验验证了该监督能够提高性能并增强深度模型的可解释性。在不同架构配置和监督方法(二元掩码和深度图监督)的研究中,提供了启发性的见解,可用于未来的架构 / 监督设计。
Nov, 2020
基于超几何空间和多模态特征的通用面部反欺骗方法在不同攻击类型下表现出显著的性能提升,并在少量攻击类型下具有很好的泛化能力。
Aug, 2023
通过可视化方法来直观反映模型的训练结果,并展示数据增强技术对跨领域 Face Anti-Spoofing 任务的有效性,同时基于训练数据集的分布提出了一种设置阈值的方法。最终在两个竞赛中获得了第二名。
Apr, 2024
通过使用真实面孔进行改进,提出了基于异常线索的人脸防伪技术(AG-FAS)方法,使用 De-spoofing Face Generator(DFG)改善模型泛化能力,并通过交叉注意力转换器进一步改善人脸防伪特征的泛化,此方法在跨领域评估中取得了最先进的结果。
Jan, 2024
本文提出了一种特征生成和假设验证框架来缓解领域泛化和表示解缠问题,该框架引入了生成真实人脸和已知攻击假设的特征生成网络,进而应用两个假设验证模块来判断输入人脸是否来自真人脸空间和真人脸分布,实验结果表明我们的方法取得了有前途的结果,超过了广泛公开数据集上最先进的方法。
Dec, 2021
本文提出了一种抗各种攻击类型的人脸反欺诈框架 (ATR-FAS),通过使用多个网络生成深度图并利用多个专家网络的结果进行混合,实现了对欺诈人脸的稳定检测,并且在大量实验证明了该框架显著优于现有最先进的方法。
介绍野外人脸防炸数据集(WFAS),该数据集包含 853,729 张交错图像,涵盖了 321,751 个欺诈主题和 148,169 个真实主题,集成了从互联网获得欺诈数据,并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。
Apr, 2023
确保人脸识别系统对抗攻击的可靠性需要部署人脸反欺骗技术。尽管在这个领域取得了相当大的进展,但即使是最先进的方法也难以防御对抗性样本。为了克服这些挑战,我们深入探讨对抗检测与人脸反欺骗之间的关系,并基于此提出了一种强大的人脸反欺骗框架,即 AdvFAS,利用两个耦合分数准确区分正确检测和错误检测的人脸图像。广泛的实验证明了我们的框架在各种设置下的有效性,包括不同的攻击、数据集和骨干网络,同时在清晰的示例上具有高精度。此外,我们成功地将该方法应用于检测真实世界的对抗样本。
基于卷积视觉变换器的框架通过全局信息和面部图像中的局部线索来改善人脸识别性能和抵抗领域转变的作用,在面部反欺诈和领域泛化等领域取得了显著的提升。
Jul, 2023