用于单一面部攻击检测的增量合成非变形图像探索
计算机视觉与模式识别
2025-10-14 v1 密码学与安全
机器学习
图像与视频处理
摘要
本文探讨了利用合成人脸数据来提高单一面部攻击检测（S-MAD）性能，旨在解决由于隐私原因难以获得大规模真实图像数据的限制。本研究利用了各种变形工具和跨数据集评估方案。实施了增量测试协议，以评估随着合成图像数量增加，方法泛化能力的提升情况。实验结果表明，通过小心地将一定数量的合成图像纳入现有数据集或在训练期间逐步添加真实图像，可提高泛化能力。然而，无节制地使用合成数据可能导致次优性能。更甚者，仅使用合成数据（变形和非变形图像）可实现最高的等效错误率（EER），这意味着在实际场景中，最佳选项不是仅依赖合成数据用于 S-MAD。
引用
@article{arxiv.2510.09836,
title = {Exploration of Incremental Synthetic Non-Morphed Images for Single Morphing Attack Detection},
author = {David Benavente-Rios and Juan Ruiz Rodriguez and Gustavo Gatica},
journal= {arXiv preprint arXiv:2510.09836},
year = {2025}
}
备注
Workshop paper accepted NeurIPS 2025