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
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
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
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
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
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
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
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