面向零样本人脸攻击检测的基础模型是否足够？
计算机视觉与模式识别
2025-07-23 v1
摘要
尽管人脸识别系统在过去十年里经历了显著的演进，但这些技术对攻击呈现 (AP) 仍然脆弱。这些攻击大多容易制造，通过对系统捕获设备执行它们，恶意行为者即可冒充获授权主体，从而获取后者信息（例如金融交易）。为保护面向攻击呈现的人脸识别方案，最先进的深度学习呈现攻击检测 (PAD) 方法需要大量数据才能产生可靠的检测性能，即便如此，它们在针对未知攻击仪器 (PAI) 或数据库（即在训练期未出现的情形）时，性能也会下降，即它们缺乏通用性。为缓解上述问题，本文聚焦于零样本 PAD。为此，我们首先评估了基础模型在既定和具有挑战性的实验情景中的有效性和通用性，然后提出了一个简单而有效的零样本 PAD 框架。实验结果表明，这些模型能够以最小的额外 effort 达到困难情景下的性能，而无需依赖更先进的 PAD 机制，这些机制的权重主要是使用包含 AP 和 bonafide presentations 的训练集优化的。最佳基础模型在包含挑战性未知 2D 和 3D 攻击的 SiW-Mv2 数据库上，以离开一个人协议为基准，显著优于现有最先进技术。
引用
@article{arxiv.2507.16393,
title = {Are Foundation Models All You Need for Zero-shot Face Presentation Attack Detection?},
author = {Lazaro Janier Gonzalez-Sole and Juan E. Tapia and Christoph Busch},
journal= {arXiv preprint arXiv:2507.16393},
year = {2025}
}
备注
Accepted at FG 2025