本文提出了一种新型的人脸反欺诈方法,旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征,并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力,并在公共基准数据集上进行了充分的实验结果验证。
Aug, 2020
本文首次系统综述了基于深度学习的人脸反欺诈技术,从像素级监督、领域泛化和多模式传感器等多个角度出发,阐述了该领域的最新成果与潜在前景。
Jun, 2021
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
本文提出了基于 Dual Spoof Disentanglement Generation (DSDG) 框架的 “反欺诈通过生成” 的方法来改善现有的人脸反欺诈数据集的不足,采用可解释分解的潜变量表征来生成大规模的成对的真实和欺诈图片,通过引入轻量级的深度不确定性模块 (DUM),消除了由于噪声样本所导致的深度预测不准确的问题,实验结果在五个基准测试中,均取得了最优效果。
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
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
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。
同时对人脸识别系统和人脸反欺骗模型进行对抗攻击,通过样式对齐的分布偏差、实例风格对齐和梯度一致性维护模块,提高对黑盒攻击的容量,通过大量实验表明该攻击方法优于现有的对抗攻击方法。
May, 2024
本文提出了一种基于条件分类器领域鉴别器的活体检测方法,该方法结合了梯度反转层,以产生具有鉴别性而又对环境光照、分辨率等因素具有鲁棒性的真人和虚假特征,该方法在图像和视频方面均优于现有的反欺诈技术。
Dec, 2019