基于内容自适应空间算子的人脸呈现攻击检测

人脸呈现攻击检测对于保护人脸认证免受打印、重放和面具欺骗攻击至关重要。本文提出了CASO-PAD，一种仅使用RGB的单帧模型，它通过内容自适应空间算子（内卷）增强MobileNetV3，以更好地捕捉局部欺骗线索。与空间共享的卷积核不同，所提出的算子生成基于输入的位置特定、通道共享的核，以最小的开销提高了空间选择性。CASO-PAD保持轻量级（3.6M参数；在$256\times256$分辨率下为0.64 GFLOPs），并使用标准的二元交叉熵目标进行端到端训练。在Replay-Attack、Replay-Mobile、ROSE-Youtu和OULU-NPU上的大量实验证明了其强大的性能，分别达到了100/100/98.9/99.7%的测试准确率，1.00/1.00/0.9995/0.9999的AUC，以及0.00/0.00/0.82/0.44%的HTER。在大型SiW-Mv2 Protocol-1基准上，CASO-PAD进一步达到了95.45%的准确率，HTER为3.11%，EER为3.13%，表明在多样化真实世界攻击下具有更强的鲁棒性。消融研究表明，将自适应算子放置在网络头部附近并使用适度的组共享，可以实现最佳的准确率-效率平衡。总体而言，CASO-PAD为在移动级计算设备上、无需辅助传感器或时间堆叠的鲁棒、设备端人脸呈现攻击检测提供了一条实用途径。