SUEDE：用于物理-数字人脸攻击检测增强的共享统一专家

人脸识别系统易受物理攻击（如打印照片）和数字威胁（如深度伪造）的攻击，这些攻击目前被研究为独立的视觉任务，如人脸反欺骗和伪造检测。不同攻击类型的本质差异为在识别常见特征空间时带来了显著挑战，使开发针对两种攻击方式同时检测数据的统一框架变得困难。受 Mixture-of-Experts (MoE) 在跨领域学习方面有效性的启发，我们探索利用多个专家学习各种攻击类型的独特特征。然而，物理攻击和数字攻击的特征分布具有重叠且不同的特性。这表明仅依赖于为每种攻击类型学习独特特征的独立专家可能会忽略它们之间的共享知识。为解决这些问题，我们提出了 SUEDE，即用于物理-数字人脸攻击检测增强的共享统一专家。SUEDE 将一个始终激活的共享专家用于捕获两种攻击类型的通用特征，以及一组选择性激活的路由专家用于特定攻击类型。进一步，我们将 CLIP 作为基础网络，以确保共享专家受益于先验视觉知识，并在统一空间中对齐视觉-文本表示。广泛的实验结果表明，SUEDE 在与当前最先进的统一检测方法方面实现了卓越的性能。