用于人脸反欺骗的最优传输引导无源域自适应

由于训练数据集与各种最终用户测试数据之间存在域差距，开发满足全球客户安全要求的人脸反欺骗模型极具挑战性。此外，出于安全和隐私原因，客户不希望与服务提供商共享大量人脸数据。在这项工作中，我们引入了一种新方法，使得人脸反欺骗模型可以在测试时由客户自身使用少量数据样本自适应到目标域，同时保持模型参数和训练数据对客户不可访问。具体而言，我们开发了一个基于原型的基模型和一个最优传输引导的适配器，该适配器能够以轻量级训练或免训练的方式进行自适应，而无需更新基模型的参数。此外，我们提出了测地线混合，这是一种基于最优传输的合成方法，可在源原型和目标数据分布之间的测地线路径上生成增强训练数据。这使得训练一个轻量级分类器能够有效适应目标特定特征，同时保留从源域学到的关键知识。在跨域和跨攻击设置中，与近期方法相比，我们的方法分别在 HTER 和 AUC 上实现了 19.17% 和 8.58% 的平均相对提升。