DiffFAS：基于生成扩散模型的人脸活体检测
计算机视觉与模式识别
2024-09-16 v1
摘要
人脸活体检测（FAS）在防止人脸识别（FR）系统受到呈现攻击方面起着至关重要的作用。如今，FAS 系统面临域偏移的挑战，这影响了现有 FAS 方法的泛化性能。在本文中，我们重新思考了域偏移的本质，并将其解构为两个因素：图像风格和图像质量。质量影响欺骗信息呈现的纯度，而风格影响欺骗信息呈现的方式。基于我们的分析，我们提出了 DiffFAS 框架，该框架将质量量化为先验信息输入网络以对抗图像质量偏移，并执行基于扩散的高保真跨域和跨攻击类型生成以对抗图像风格偏移。DiffFAS 将易于收集的真实人脸转换为具有精确标签的高保真攻击人脸，同时保持真实与欺骗人脸身份之间的一致性，这也可以缓解当今 FAS 系统面临的新型攻击类型标注数据稀缺的问题。我们在具有挑战性的跨域和跨攻击 FAS 数据集上展示了我们框架的有效性，实现了最先进的性能。代码可在 https://github.com/murphytju/DiffFAS 获取。
引用
@article{arxiv.2409.08572,
title = {DiffFAS: Face Anti-Spoofing via Generative Diffusion Models},
author = {Xinxu Ge and Xin Liu and Zitong Yu and Jingang Shi and Chun Qi and Jie Li and Heikki Kälviäinen},
journal= {arXiv preprint arXiv:2409.08572},
year = {2024}
}
备注
ECCV 24