基于注意力引导的通用伪装化妆presentation攻击检测框架
计算机视觉与模式识别
2026-04-30 v1
摘要
尽管面部识别系统取得了显著进展，但仍面临面部攻击的脆弱性。其中，伪装化妆攻击尤具挑战性，因为其使用先进的化妆品、人造组件和人造材料来逼真地改变面部外观，往往难以被人类甚至模型识别。尽管此类攻击重要性不言而喻，但实际研究仍不足，公开数据集也有限。为此，我们提出一种通用伪装化妆presentation攻击检测框架。该方法采用两阶段设计，风格不变的全面模型（通过度量学习训练并借助白化变换）通过Grad-CAM提取区域注意力得分。这些得分引导后续基于补丁的阶段，对每个区域执行局部分析，利用针对细粒度区分训练的区域特定子网络完成。我们还构建了一个覆盖主体、环境及化妆材料多样变化的实况活体与伪装化妆面部数据集。实验结果表明，在所收集的数据集和SIW-Mv2数据集上均实现了强大的跨域泛化，分别在所收集数据集上达到8.97%的ACER和9.76%的EER，在SIW-Mv2的Obfuscation和Impersonation以及Cosmetics攻击上分别实现0%和1.34%的ACER。该方法在其他各种作弊类型下均表现出优越且稳健的性能。
引用
@article{arxiv.2604.26025,
title = {Generalized Disguise Makeup Presentation Attack Detection Using an Attention-Guided Patch-Based Framework},
author = {Fateme Taraghi and Atefe Aghaei and Mohsen Ebrahimi Moghaddam},
journal= {arXiv preprint arXiv:2604.26025},
year = {2026}
}