LitMAS：面向生物识别安全的轻量级通用多模态防伪框架

生物识别系统正在被部署到关键应用中，但仍然容易受到防伪攻击。由于大多数研究工作集中在单一模态的防伪技术上，构建跨多种生物识别模态的统一、资源高效解决方案仍然是一个挑战。为此，本文提出了 LitMAS，即一个 $\textbf{Li}$ghtweight 且 $\textbf{G}$eneralizable 多模态 $\textbf{A}$nti-$\textbf{S}$poofing 框架，旨在检测语音、面部、虹膜和指纹等生物识别系统中的防伪攻击。LitMAS 的核心是一种模态对齐浓度损失 (Modality-Aligned Concentration Loss)，该损失函数在保持跨模态一致性的同时增强类间可分性，使模型能够在 diverse 生物特征上实现稳健的防伪检测。 LitMAS 仅需 600 万参数，便超越了最新方法在七个数据集上的平均 EER 提升了 $1.36\%$，显示出高效、强大的通用性，以及适用于边缘部署的潜力。代码和训练好的模型已在 https://github.com/IAB-IITJ/LitMAS 上提供。