SelfMAD：通过自监督学习提升形变攻击检测的泛化性和鲁棒性
计算机视觉与模式识别
2025-04-09 v1
摘要
随着生成模型的不断进步，面部形变攻击已成为现有人脸验证系统的一个重大挑战，由于其可能用于身份欺诈和其他恶意活动。当代形变攻击检测（MAD）方法经常依赖于在真实图像和形变图像示例上训练的监督、判别模型。这些模型通常在使用训练时看到的形变技术时表现良好，但在面对新颖的、未见过的形变技术时往往表现次佳。虽然无监督模型在可泛化性方面表现更好，但通常会导致更高的错误率，因为它们难以有效捕捉细微的伪影特征。为解决这些不足，本文提出了SelfMAD，这是一种新型自监督方法，通过模拟通用形变攻击伪影，使分类器能够在不对特定人脸形变方法所诱导的特定伪影进行过拟合的情况下学习通用且稳健的决策边界。通过在广泛使用的数据集上的大量实验，我们展示了SelfMAD在当前最先进的MAD方法中显著优于表现，尤其是在跨形变设置下，相对于最强的无监督竞争者将检测错误率降低超过64%（以EER计），相对于表现最好的判别MAD模型则降低超过66%。SelfMAD的源代码已公开：https://github.com/LeonTodorov/SelfMAD
引用
@article{arxiv.2504.05504,
title = {SelfMAD: Enhancing Generalization and Robustness in Morphing Attack Detection via Self-Supervised Learning},
author = {Marija Ivanovska and Leon Todorov and Naser Damer and Deepak Kumar Jain and Peter Peer and Vitomir Štruc},
journal= {arXiv preprint arXiv:2504.05504},
year = {2025}
}
备注
Accepted at IEEE International Conference on Automatic Face and Gesture Recognition (FG 2025)