MADPromptS：通过多提示聚合实现零样本面部变形攻击检测
计算机视觉与模式识别
2025-08-13 v1
摘要
面部变形攻击检测（MAD）是面部识别安全中的关键挑战，攻击者可以通过将两个或多个个体的身份信息插值到单个面部图像中，从而生成可被面部识别系统验证为属于多个身份的样本。虽然多模态基础模型（FMs）如 CLIP 通过联合建模图像和文本提供强大的零样本能力，但大多数基于 FMs 的生物识别工作依赖于针对特定下游任务进行的微调，忽略了其直接、通用部署的潜力。本 work explores 利用 CLIP 进行纯零样本 MAD 方法，主要关注每个类别多个文本提示的设计与聚合。通过聚合多样化提示的嵌入，我们更好地将模型的内部表征与 MAD 任务对齐，捕获指示正身分或攻击样本的更丰富、更具多样性的线索。我们的结果表明，提示聚合在零样本检测性能上显著提升，显示了通过高效提示工程利用基础模型内置多模态知识的有效性。
引用
@article{arxiv.2508.08939,
title = {MADPromptS: Unlocking Zero-Shot Morphing Attack Detection with Multiple Prompt Aggregation},
author = {Eduarda Caldeira and Fadi Boutros and Naser Damer},
journal= {arXiv preprint arXiv:2508.08939},
year = {2025}
}
备注
Accepted at ACM Multimedia Workshops