用于鲁棒人脸活体检测的深度学习模型
计算机视觉与模式识别
2026-04-13 v1
摘要
在数字安全快速演变的环境中，生物识别身份验证系统，特别是人脸识别，已成为各种安全协议的关键组件。然而，这些系统的可靠性会被高级欺骗攻击所削弱，攻击者通过伪造生物特征来获取未经授权的访问权限。当前文献揭示了令人担忧的差距：现有活体检测方法——旨在抵御这些侵犯——在采用深度伪造和其他人工智能驱动的操纵手段的高级欺骗 tactics 下屈服于挑战。本研究通过创新的深度学习模型提供了稳健解决方案，解决了当代反欺骗技术中的缺陷。通过创新性地整合与真实人类特征相关的纹理分析和反射属性，我们的模型能够在精确度上区分真实存在与复制品。对五个多样化数据集进行了广泛评估，涵盖广泛的攻击向量和环境条件。结果显示相较于现有系统实现了显著进步，最佳模型（AttackNet V2.2）在组合数据上训练时实现了 99.9% 的平均准确率。此外，我们的研究揭示了疑犯攻击行为模式的关键见解，为更细致地理解其不断演变的本质作出了贡献。其影响深远：我们的模型不仅加固了身份验证过程，也在各行业依赖安全访问的领域铸造了对生物识别系统的信心。
引用
@article{arxiv.2508.09094,
title = {Deep Learning Models for Robust Facial Liveness Detection},
author = {Oleksandr Kuznetsov and Emanuele Frontoni and Luca Romeo and Riccardo Rosati and Andrea Maranesi and Alessandro Muscatello},
journal= {arXiv preprint arXiv:2508.09094},
year = {2026}
}