面向人脸反欺骗的生成式域适应
计算机视觉与模式识别
2022-11-24 v2
摘要
基于无监督域适应（UDA）的人脸反欺骗（FAS）方法因在目标场景下具有良好性能而受到越来越多的关注。现有大多数 UDA FAS 方法通常通过对齐语义高层特征的分布将训练模型拟合到目标域。然而，对无标签目标域的监督不足以及对低层特征对齐的忽视降低了现有方法的性能。为解决这些问题，我们提出一种 UDA FAS 的新视角，直接将目标数据拟合到模型，即通过图像翻译将目标数据风格化为源域风格，并进一步将风格化数据输入训练良好的源模型进行分类。所提出的生成式域适应（GDA）框架结合了两个精心设计的一致性约束：1）域间神经统计一致性引导生成器缩小域间差距。2）双层级语义一致性确保风格化图像的语义质量。此外，我们提出域内频谱混合以进一步扩展目标数据分布，从而保证泛化性并缩小域内差距。大量实验与可视化证明了我们的方法相对于最先进方法的有效性。
引用
@article{arxiv.2207.10015,
title = {Generative Domain Adaptation for Face Anti-Spoofing},
author = {Qianyu Zhou and Ke-Yue Zhang and Taiping Yao and Ran Yi and Kekai Sheng and Shouhong Ding and Lizhuang Ma},
journal= {arXiv preprint arXiv:2207.10015},
year = {2022}
}
备注
Accepted to European Conference on Computer Vision (ECCV), 2022