CVPRFeb, 2024

抑制和平衡：通往广义多模式人脸反欺诈

PDF
TL;DR在人脸识别系统中，针对演示性攻击，多模态学习方法面临模态不可靠性和模态不平衡性的挑战，本研究提出了 Uncertainty-Guided Cross-Adapter (U-Adapter) 和 Rebalanced Modality Gradient Modulation (ReGrad) 两种方法来解决这些问题，在多模态人脸反欺骗中取得了优于现有方法的性能。
face anti-spoofingmulti-modal learningmodality unreliabilitymodality imbalancedomain generalization
发现论文，激发创造
  • FLIP: 跨领域人脸反欺骗技术与语言引导

    通过使用多模态预训练与自然语言语义对齐图像表示以改善面部反欺骗任务的泛化能力，进一步利用多模态对比学习策略弥合源域与目标域之间的差距，实现鲁棒的跨领域面部反欺骗。

    Sep, 2023

  • 双曲面人脸反欺骗

    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

  • CNN 网络数据领域变化的可视化方法及分类任务阈值选择的优化方法

    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

  • 人脸反欺诈的深度学习技术概述

    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

  • S-Adapter: 使用统计标记将视觉变换器泛化为面部防冒名识别

    该研究提出了一种基于 Efficient Parameter Transfer Learning (EPTL) 范 Paradigm 的面部反欺骗 (Face Anti-Spoofing，FAS) 方法，通过在预训练的 Vision Transformer 模型中插入适配器模块，并在训练过程中更新适配器，从而在零样本和少样本的跨域测试中实现了显著的改进，超过了多个基准测试的最新方法。

    Sep, 2023

  • 关于人脸识别和人脸防伪模型的对抗性攻击

    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

  • 增强移动人脸反欺诈：面向屏幕闪光下的多样化攻击类型的鲁棒性框架

    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。

    Aug, 2023

  • FaceCat：利用统一的生成模型框架增强人脸识别安全性

    FaceCat 利用人脸生成模型作为预训练模型，通过精心设计的层次融合机制捕捉人脸生成模型的丰富结构和细节特征，为同时执行人脸反欺骗和对抗检测任务的轻量级头部提供稳定的基础。同时，通过特定文本引导的多模态对齐策略丰富特征表达，提高性能。FaceCat 在 28 种攻击类型的广泛实验中验证了其显著提高的泛化能力和对输入变换的优异鲁棒性。

    Apr, 2024

  • 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

  • 可视化提示的灵活模态人脸反欺诈

    最近，基于视觉变换器的多模态学习方法被提出来改善人脸反欺诈系统的鲁棒性。然而，由于各种成像传感器的缺失模态，从真实世界中收集的多模态人脸数据往往是不完整的。在本文中，我们提出了 “视觉提示灵活多模态人脸反欺诈” （VP-FAS）的方法，通过学习与模态相关的提示来适应冻结的预训练基础模型到下游的灵活多模态人脸反欺诈任务。我们的实验证明了 VP-FAS 框架在各种缺失模态情况下提高了性能，同时减轻了对重训练的要求。

    Jul, 2023