合成指纹检测的持续少样适应

过去十年，合成指纹图像的质量与真实性显著提升，得益于生成式人工智能(GenAI)的快速发展。这加剧了指纹识别系统对数据注入攻击的脆弱性——合成指纹被恶意插入 enrollment 或 authentication 过程中。因此迫切需要方法来检测指纹图像是否为真实或合成。虽然直接训练深度神经网络(DNN)模型对图像分类为真实或合成较为直接，但此类模型常在训练数据上过拟合，难以泛化到使用未见 GenAI 模型生成的合成指纹。本文将合成指纹检测建模为持续少样适应问题，目标是快速演化基本检测器以识别新类型的合成数据。为实现持续少样适应，我们采用二元交叉熵与监督对比损失（作用于特征表示）的组合，并在微调期间回放少量先前已知风格的样本以缓解灾难性遗忘。基于多个 DNN 主干网络（作为特征提取器）和多种真实与合成指纹数据集的实验表明，所提方法在检测未见合成风格的快速适应性与已知风格遗忘之间取得了良好平衡。