SFDemorpher：面向操作化形变攻击检测的通用人脸去形变
计算机视觉与模式识别
2026-03-31 v1
摘要
人脸形变攻击通过创建验证可通过多个身份的文档图像来构成生物识别安全的威胁，无论是从文档签发到边境控制都存在显著风险。差分形变攻击检测 (Differential Morphing Attack Detection, D-MAD) 作为一种有效的对策，尤其在采用人脸去形变以解耦形变中混合身份时效果更佳。然而，现有方法因训练数据有限且假设所有文档输入都是形变，缺乏操作化通用性。本文提出了 SFDemorpher 框架，用于面向 D-MAD 操作化部署的人脸去形变，在联合 StyleGAN 潜在空间和高维特征空间中进行身份解耦。我们引入双 pass 训练策略处理 morphed 和 bona fide 文档，利用以主要为合成身份为主的混合语料库来增强对未见分布的鲁棒性。广泛的评估确认了在未见身份、多样捕获条件以及 13 种形变技术下的领先通用性，涵盖边境验证和具有挑战性的文档注册阶段。我们的框架通过扩大 bona fide 和 morphed 样本得分分布之间的间隙，从而实现卓越的 D-MAD 性能，同时提供高保真视觉重构，促进可解释性。
引用
@article{arxiv.2603.28322,
title = {SFDemorpher: Generalizable Face Demorphing for Operational Morphing Attack Detection},
author = {Raul Ismayilov and Luuk Spreeuwers},
journal= {arXiv preprint arXiv:2603.28322},
year = {2026}
}