面向通用人脸防伪的物理引导伪造痕迹解耦
计算机视觉与模式识别
2020-12-10 v1
摘要
先前研究表明，人脸防伪的关键在于称为“伪造痕迹”的细微图像模式，例如色彩失真、3D 面具边缘、摩尔纹等。设计一个通用的脸部活体检测模型来估计这些伪造痕迹，不仅能提升防伪检测的泛化能力，还能增强模型决策的可解释性。然而，由于伪造类型多样且缺乏伪造痕迹的 ground truth，这是一项具有挑战性的任务。本工作中，我们设计了一种新颖的对抗学习框架，将伪造人脸解耦为伪造痕迹与活体对应部分。在物理属性引导下，伪造生成被表示为叠加过程与修复过程的组合。叠加过程将伪造描述为伪造材料引入额外模式（如摩尔纹），可通过去除这些模式恢复活体对应部分。修复过程将伪造描述为伪造材料完全覆盖某些区域，这些区域的活体对应部分必须被“猜测”。我们使用 3 个叠加分量与 1 个修复分量来表示不同频带的痕迹。解耦出的伪造痕迹经适当几何校正后可用于合成逼真的新伪造人脸，所合成的伪造样本可用于训练并提升防伪检测的泛化能力。我们的方法在三种测试场景——已知攻击、未知攻击和开集攻击——上均展现出优越的防伪检测性能。同时，它提供了视觉上令人信服的伪造痕迹估计。源代码与预训练模型将在发表后公开。
引用
@article{arxiv.2012.05185,
title = {Physics-Guided Spoof Trace Disentanglement for Generic Face Anti-Spoofing},
author = {Yaojie Liu and Xiaoming Liu},
journal= {arXiv preprint arXiv:2012.05185},
year = {2020}
}