MMAug, 2021

通用人脸反欺诈的自适应归一化表征学习

PDF
TL;DR提出了基于规范化选择的适应性规范化表示学习框架，可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。
face anti-spoofingdomain generalizationfeature extractionnormalization selectionrepresentation learning
发现论文，激发创造
  • 面部反欺诈的实例感知域泛化

    本文提出了一种基于实例感知域泛化的人脸反欺诈方法，通过消除实例特定的样式来学习通用特征，同时使用动态内核生成器和分类样式组装来进一步促进对抗攻击的成功检测。

    Apr, 2023

  • 细粒度元人脸防欺骗的正则化

    本文提出了一种基于元学习的面部防欺诈域泛化方法，该方法以细粒度学习策略和领域知识正则化作为核心，以优化元学习过程并提高面部防欺诈模型的泛化能力，实验结果表明其有效性。

    Nov, 2019

  • 面部反欺诈的特征生成与假设验证

    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

  • 基于去欺骗人脸生成器的广义人脸真实性检测

    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

  • 重新思考面部防欺诈领域通用性问题：可分性和对齐

    本文研究人脸反欺诈（FAS）模型在领域差异上的泛化问题，提出可使不同领域的实况到欺诈的过渡轨迹相同而达到域可分性和域不变分类器的 FAS 策略，即 SA-FAS，并在跨领域 FAS 数据集上展示其卓越性能。

    Mar, 2023

  • 基于单侧域泛化的人脸防欺诈

    提出了一种单边领域泛化（SSDG）框架，通过学习可推广的特征空间并使用非对称三元组损失来约束从不同域中生成的假面孔的分布，从而提高了面部反欺骗的泛化能力，并使用端到端的训练方式，通过实验证明该方法在四个公共数据库上优于现有的方法。

    Apr, 2020

  • 基于双阶段特征学习的人脸反欺诈解绑特征表示

    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

  • 混合领域人脸反欺诈的通用表示学习

    提出一种基于元学习的领域动态调整方法，以无需使用领域标签的方式迭代地计算混合域，并使用区分性领域表示学习模块提取出区分性的领域特征进行聚类，并结合最大均值偏差以及实例归一化来实现可靠的聚类效果。实验表明，该方法比传统的基于领域泛化的面部反欺诈方法效果更好，并通过可视化进一步提升了方法的可解释性。

    May, 2021

  • 基于混洗样式组装的领域泛化人脸防伪

    本论文提出了一种基于样式特征抽取和重新组合的新型混洗样式组装网络，通过对比学习策略以强调与活体相关的样式信息并抑制特定于领域的信息，以获得广义表示，并且还建立了新的大规模基准测试以进一步评估各算法的性能和有良好的结果。

    Mar, 2022

  • 领域通用的未知攻击下的人脸反欺诈

    通过引入一种新方法 DGUA-FAS，该方法包括基于 Transformer 的特征提取器和合成未知攻击样本生成器（SUASG），我们针对领域通用的未知攻击解决方案，实验结果表明我们的方法在已知或未知攻击的领域泛化 FAS 方面取得了卓越的性能。

    Oct, 2023