Aug, 2022

更新人脸反欺诈模型的多域学习

HTML
PDF
TL;DR本文提出了一种针对多种领域的人脸防欺骗的新模型，使用简单且有效的欺诈区域估计器(SRE)来识别欺诈痕迹，并提出了一个名为FAS-wrapper的新框架，以协助从已有的预先训练的模型中转移知识并与不同的FAS模型无缝集成。此外，还提出了一个新的基于SIW，SIW-Mv2和Oulu-NPU的基准测试，并介绍了四个不同的协议进行评估。在MD-FAS基准测试中，我们提出的方法比以前的方法表现更优秀。
发现论文，激发创造
  • 面部反欺诈的自领域适应

    本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。

    Feb, 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

  • 人脸反欺诈的小样本领域扩展

    本文提出了一种基于风格转移的语义对齐增强框架（SASA），以解决面部反欺诈系统（FAS）中Few-Shot Domain Expansion的问题，其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本，并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐，并通过少遗忘的约束来稳定源域上的性能。实验结果表明，所提出的SASA方法优于现有的方法。

    Jun, 2021

  • 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

  • 面部反欺诈的生成域适应

    本文提出了一种基于生成领域适应的人脸防欺骗方法，利用图像翻译的方式将目标数据转换到源域风格，再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。

    Jul, 2022

  • 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

  • 人脸反翻拍的双教师知识蒸馏与领域对齐

    本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐；此外，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和与最先进方法的比较结果验证了我们提出方法的优势。

    Jan, 2024

  • 梯度对齐用于跨域人脸反欺诈

    介绍了一种新颖的学习目标GAC-FAS，该目标鼓励模型收敛到一个最优的平坦最小值而不需要额外的学习模块，通过在每个域上识别升序点并调节在这些点的泛化梯度更新，使得模型对领域变化具有稳健性。在具有挑战性的跨领域FAS数据集上进行了严格测试，并取得了最优的性能。

    Feb, 2024

  • 面部反欺诈的测试时间域泛化

    测试时间域泛化框架通过引入测试数据来提升模型的适用性，该方法包括测试时间风格投影和多元风格变换模拟，有效地将未知数据投影到已知域空间，并在广泛使用的跨域FAS基准测试中展示出最先进的性能和有效性。

    Mar, 2024

  • 面向数据中心的面部防伪：通过基于物理的数据合成改善跨域泛化

    本研究针对面部防伪中的跨域问题，特别关注数据质量和数量的影响。我们提出了任务特定的面部防伪数据增强方法（FAS-Aug），通过合成各种伪造物的噪声，提升数据多样性，从而优化模型的跨域性能。此外，我们引入了防伪攻击风险均衡（SARE）策略，进一步提高泛化能力。最后，结合最新的视觉变换器网络，我们的方法在跨域泛化领域取得了最先进的性能。

    Sep, 2024