人脸防欺骗跨域泛化性提升：洞察、设计与指标

本文提出了一种新颖视角，用于增强零样本数据域泛化中的人脸防欺骗性能。不同于传统图像分类任务，人脸防欺骗数据集显示出独特的泛化特征， necessitating 新的零样本数据域泛化方法。我们引入了一种细粒度的度量计算方法，通过聚合帧级概率进行视频级预测，以解决报告的帧级准确率与实际应用中不稳定性之间的鸿沟。这种方法使得能够量化模型预测中的偏差和方差，为更精细的分析模型泛化性提供了可能。我们的调查发现，仅仅扩大模型的 backbone 并不必然提高上述不稳定性，从而我们提出了一种从贝叶斯视角下的集成化 backbone 方法。这种概率性集成化 backbone 既提高了从我们提出的度量衡量的模型鲁棒性和防欺骗准确率，又利用了衡量不确定性的优势，允许在训练期间进行增强抽样，从而促进模型在新数据集上的泛化。我们在基准 OMIC 数据集上评估了所提方法，也在公开的 CelebA-Spoof 和 SiW-Mv2 上进行测试。最终模型在各数据集上均超越了现有的 SOTA 方法，展示了在 Bias、Variance、HTER 和 AUC 指标上的突破。