增强可学习描述性卷积视觉变换器用于人脸反欺骗
计算机视觉与模式识别
2025-04-01 v1
摘要
人脸反欺骗(FAS)严重依赖于识别存活/欺骗特征以对抗人脸呈现攻击。最近，我们提出LDCformer成功地将可学习描述性卷积(LDC)融入ViT，以建模用于FAS的局部描述性特征的长程依赖。在本文中，我们提出三种新颖的训练策略来有效增强LDCformer的训练，以大幅提升其特征表征能力。第一种策略是双注意力监督，通过区域存活/欺骗注意力引导学习细粒度存活特征。第二种策略是自挑战监督，旨在通过生成具有挑战性的训练数据来增强特征的判别能力。此外，我们提出了第三种训练策略，即过渡性三元组挖掘策略，通过缩小跨域差距同时保持存活和欺骗特征之间的过渡关系，以扩大LDCformer的域泛化能力。广泛的实验表明，在三种新颖训练策略的联合监督下，LDCformer的性能优于先前方法。
引用
@article{arxiv.2503.22936,
title = {Enhancing Learnable Descriptive Convolutional Vision Transformer for Face Anti-Spoofing},
author = {Pei-Kai Huanga and Jun-Xiong Chong and Ming-Tsung Hsu and Fang-Yu Hsu and Chiou-Ting Hsu},
journal= {arXiv preprint arXiv:2503.22936},
year = {2025}
}