用于联合物理-数字人脸攻击检测的配对采样对比框架
计算机视觉与模式识别
2025-08-22 v1
摘要
现代人脸识别系统仍然容易受到欺骗攻击的威胁，包括物理呈现攻击和数字伪造。传统上，这两种攻击向量由独立的模型处理，每个模型针对其特定的伪影和模态。然而，维护独立的检测器会增加系统复杂度和推理延迟，并使系统暴露于组合攻击向量。我们提出了配对采样对比框架，这是一种统一的训练方法，利用自动匹配的真实与攻击自拍配对来学习模态无关的活体线索。在第六届人脸反欺骗挑战赛统一物理-数字攻击检测基准上进行评估，我们的方法实现了 2.10% 的平均分类错误率（ACER），优于现有解决方案。该框架轻量级（4.46 GFLOPs）且训练时间不到一小时，使其适用于现实世界的部署。代码和预训练模型可在 https://github.com/xPONYx/iccv2025_deepfake_challenge 获取。
引用
@article{arxiv.2508.14980,
title = {Paired-Sampling Contrastive Framework for Joint Physical-Digital Face Attack Detection},
author = {Andrei Balykin and Anvar Ganiev and Denis Kondranin and Kirill Polevoda and Nikolai Liudkevich and Artem Petrov},
journal= {arXiv preprint arXiv:2508.14980},
year = {2025}
}
备注
Accepted to ICCV2025 FAS workshop