- 设计鲁棒远程人脸反欺诈系统原则
面部反欺骗、数字攻击、漏洞、威胁与鲁棒性是本研究的关键词。通过一系列实验,本文揭示了当前面部反欺骗检测技术的限制和其对新型数字攻击场景的失败。为了抵御这些新型攻击的漏洞,本文提出从模型准确性、鲁棒性到流程鲁棒性和平台鲁棒性的关键设计原则。尤 - CVPR监督对比学习用于快照光谱成像人脸反欺诈
本研究提出了一种先进的重新平衡对比学习策略,旨在加强人脸识别系统中的人脸反欺骗能力,重点应对印刷照片和高度逼真的硅胶或乳胶面具带来的挑战。通过利用 HySpeFAS 数据集,该数据集利用快照光谱成像技术提供高光谱图像,我们的方法将类别级别的 - Hyp-OC:用于人脸反欺骗的双曲超半监督分类
我们提出了一种从单类的角度重新构建面部反欺骗任务,并提出了一种新的双曲线单类分类框架。通过在双曲线空间中运行的两个新的损失函数以及欧几里德特征剪切和梯度剪切,我们的方法在五个基准数据集上显著优于最先进的技术,实现了更好的欺骗检测性能。
- 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。
- 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。Fa - 统一的物理数字攻击检测挑战
面部防伪(FAS)是用于保护面部识别系统(FR)的关键。在实际场景中,FR 系统面临着物理和数字攻击。然而,现有算法通常只针对一种类型的攻击,这在 FR 系统面临混合物理数字威胁的实际情况下存在重要局限性。为促进统一攻击检测(UAD)算法的 - CVPR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。
- CFPL-FAS: 无类别提示学习的通用人脸反欺骗
利用大规模的 VLMs(如 CLIP)利用文本特征动态调整分类器权重,通过使用两个轻量级 Transformer(CQF 和 SQF)来学习基于内容和样式特征的不同语义提示,通过 Prompt Modulation(PM)设计,将学习到的文 - CVPR抑制和平衡:通往广义多模式人脸反欺诈
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 Gra - 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 - 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 - 通过去除欺骗扩散对欺骗噪声建模及其在人脸防欺骗中的应用
本研究探索了使用扩散模型对欺骗图像进行去噪和恢复真实图像的方法,通过比较这两个图像之间的差异,作为面部防伪的判别依据。实验结果表明,该方法在准确性和泛化性能方面具有竞争力。
- 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 - TeG-DG:面部反欺诈的文本引导领域泛化
提出了一种文本引导的域泛化框架,用于增强人脸反欺诈技术的域泛化性能,通过文本信息进行跨域对齐,设计了多层次注意融合模块和文本增强视觉判别器,实现了更好的分类和域适应能力,并在极度有限的源域数据情况下展示了令人印象深刻的少样本性能。
- 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 - 面部反欺骗的细粒度标注
我们提出了一种用于人脸反欺诈的细粒度注释方法,并引入多通道区域交换增强以改善现有方法在数据多样性和过拟合方面存在的问题。实验证明,我们的方法在数据集内和数据集间评估中均优于现有的最先进方法。
- ICCVFLIP: 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。
- 监控人脸反欺诈数据不确定性的分布估计
通过建模数据的不确定性,本研究提出了一种将传统面部反欺骗(FAS)点估计转换为分布估计的方法,以提高 FAS 在长距离监控场景中的稳定性和准确性。该方法在 SuHiFiMask 数据集上得到了验证,并在 ACER 和 AUC 指标上表现出可 - 使用 Apex 帧进行人脸反欺骗的半监督学习
通过使用高斯加权方法产生顶点帧以及不需要卷积的方式产生多个未标记的顶点帧,本研究重点强调顶点帧能够代表视频中最重要的时刻,同时利用未标记的顶点帧实现高效的半监督学习,使模型能够从不同的时间长度的视频中学习,并且在四个人脸反欺骗数据库的实验证 - 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 Tra