面向面部识别系统物理与数字攻击检测的视觉语言模型中的情境学习
计算机视觉与模式识别
2025-07-22 v1
摘要
近期生物识别系统的进展显著提升了检测和预防欺诈活动的能力。然而，随着检测方法的改进，攻击技术也日益精致。面部识别系统的攻击可大致分为物理与数字两种。传统上，深度学习模型是检测此类攻击的主要手段。虽然这些模型在所训练的场景下表现卓越，但常常难以适应不同类型的攻击或变化的环境条件。这些子系统需要大量训练数据才能实现可靠性能，而生物识别数据收集面临隐私问题和在受控条件下捕获多样化攻击情景的后勤困难等重大挑战。本 work 研究了视觉语言模型（VLM）的应用，提出了一种用于检测生物识别系统中物理展示攻击和数字形态攻击的情境学习框架。聚焦于开源模型，首次建立了一个针对安全关键场景通过情境学习技术对 VLMs 进行定量评估的系统框架。在 freely available databases 上的实验评估表明，所提子系统实现了对物理和数字攻击检测的竞争性能，超过了一些传统 CNN，而无需资源密集型训练。实验结果验证了所提框架作为提高攻击检测通用性的有前景的工具。
引用
@article{arxiv.2507.15285,
title = {In-context Learning of Vision Language Models for Detection of Physical and Digital Attacks against Face Recognition Systems},
author = {Lazaro Janier Gonzalez-Soler and Maciej Salwowski and Christoph Busch},
journal= {arXiv preprint arXiv:2507.15285},
year = {2025}
}
备注
Submitted to IEEE-TIFS