InstructFLIP：探索面向人脸防欺骗的统一视觉语言模型

人脸防欺骗（face anti-spoofing, FAS）旨在构建能抵御多样化攻击的鲁棒系统。虽然近期研究主要集中在跨域泛化，但仍面临两个显著挑战：对攻击类型的语义理解有限，以及跨域训练冗余。我们通过集成视觉语言模型（VLM）来增强对视觉输入的感知，以解决第一个挑战。对于第二个挑战，我们采用元域策略学习一个在多个域之间广泛泛化的统一模型。我们提出的 InstructFLIP 是一个新颖的指令调谋框架，利用 VLM 通过文本指导提升泛化能力，仅基于单个域训练。其核心，InstructFLIP 显式地将指令解耦为内容和风格组件，其中基于内容的指令聚焦于欺骗的本质语义，风格-based 指令则考虑与环境和摄像头特征相关的变体。广泛的实验表明，InstructFLIP 通过超越 SOTA 模型在准确率和显著减少跨域 FAS 中训练冗余方面取得显著成效。项目网址为 https://kunkunlin1221.github.io/InstructFLIP。