基于类正则化的混合攻击专家（Mixture-of-Attack-Experts）框架用于统一物理-数字人脸攻击检测
计算机视觉与模式识别
2025-04-02 v1
摘要
现实场景中的人脸识别系统容易受到数字攻击和物理攻击的双重威胁。以往方法通过学习综合特征空间来实现分类，但未充分考虑物理与数字攻击数据的内在特征，尤其是攻击类别内部差异大、活体人脸与假脸人脸类别间差异小的问题。为此，我们提出了基于类注意力正则化的细粒度混合专家CLIP框架（FG-MoE-CLIP-CAR），在特征层和损失层均进行关键改进。特征层方面，我们采用软混合专家（Soft MoE）架构，利用不同专家进行专业化特征处理，并优化软MoE以捕捉不同假脸类型的细微差异。在损失层面，我们引入两个约束模块：解耦模块（DM）和聚类蒸馏模块（CDM）。DM通过增加活体人脸与假脸人脸类别中心之间的距离来增强类别可分性。然而，仅凭中心到中心的约束无法确保 individual features 的具象化表示。因此，我们提出CDM进一步将特征聚类到各自类别中心，同时保持与其他类别的分离。此外，特定攻击因偏离常规攻击模式而被忽略。为此，我们的距离计算优先考虑更远距离的特征。在两个统一的物理-数字攻击数据集上的实验结果表明，所提方法实现了最先进（SOTA）性能。
引用
@article{arxiv.2504.00458,
title = {Mixture-of-Attack-Experts with Class Regularization for Unified Physical-Digital Face Attack Detection},
author = {Shunxin Chen and Ajian Liu and Junze Zheng and Jun Wan and Kailai Peng and Sergio Escalera and Zhen Lei},
journal= {arXiv preprint arXiv:2504.00458},
year = {2025}
}
备注
9 pages, 5 figures, accepted by AAAI-2025 (Oral)