MADation：基于基础模型的人脸 Morphing 攻击检测

尽管近年来人脸识别算法表现显著提升，但同样也为创建高效攻击方式提供了可能，威胁其安全部署。Morphing 攻击检测（MAD）系统旨在早期检测特定类型的威胁——Morphing 攻击，防止其在关键流程中被考虑为验证。基础模型（FM）学习大量无标签数据，实现对未见域的显著零样本泛化。尽管这种泛化能力在处理域特定下游任务（如 MAD）方面可能较弱，但 FM 能够在保留预训练期间获取的内在知识的同时轻松适应这些设置。在本工作中，我们认识到 FM 在针对 MAD 任务时正确适应其特定性时能够表现良好的潜力。为此，我们在适配 FM CLIP 架构的同时引入 LoRA 权重并训练分类标题。提出的框架 MADation 超越了我们的替代 FM 和基于 transformer 的框架，构成了将 FM 应用于 MAD 任务的首次尝试。MADation 在当前文献中的 MAD 解决方案中呈现出竞争性成绩，甚至在多个评估场景中超越了它们。为鼓励可重复性并促进 MAD 领域的进一步研究，我们公开发布了 MADation 的实现，地址为 https://github.com/gurayozgur/MADation。