面向人脸呈现攻击检测的双重重加权域泛化方法

基于域泛化（DG）的人脸反欺骗方法因对未知场景的鲁棒性而受到越来越多的关注。以往方法在训练过程中对来自多个域的样本不加区分地对待，并努力提取公共特征空间以提升泛化能力。然而，由于复杂且有偏的数据分布，直接等同对待将损害泛化能力。为解决该问题，我们提出一种新颖的双重重加权域泛化（DRDG）框架，通过迭代重加权样本间的相对重要性来进一步提升泛化能力。具体而言，首先提出样本重加权模块以识别具有较大域偏置的样本，并降低其对整体优化的影响。随后引入特征重加权模块，通过自蒸馏机制聚焦于这些样本并提取更具域无关性的特征。结合域判别器，两个模块的迭代促进了泛化特征的提取。大量实验与可视化结果表明了我们的方法相对于最先进同类方法的有效性与可解释性。