基于去假脸生成器的广义活体人脸检测

以往的人脸防伪（FAS）方法面临泛化到未见域的挑战，主要原因是现有大多数 FAS 数据集相对较小且缺乏数据多样性。得益于过去十年人脸识别的发展，大量真实人脸图像已公开可用，然而这些资源在现有文献中此前一直被忽视。本文提出了一种异常线索引导的 FAS（AG-FAS）方法，该方法能够通过去假脸生成器（DFG）有效利用大规模额外真实人脸来提升模型泛化能力。具体而言，通过在仅包含大规模真实人脸的数据集上进行训练，生成器获得了关于真实人脸应为何样的知识，从而具备生成任何输入人脸图像“真实”版本的能力。因此，输入人脸与生成的“真实”人脸之间的差异可被视为假特征学习的注意力线索。基于上述思想，我们提出了离实注意力网络（OA-Net），该网络根据异常线索将注意力分配至输入图像的伪造区域。在总共九个公共数据集上的大量实验表明，我们的方法在涉及未见场景和未知呈现攻击的跨域评估中取得了最先进（SOTA）的结果。此外，我们提供了理论分析以证明所提异常线索的有效性。