SLIP：一种基于语言图像预训练的防欺骗单类人脸反欺骗

人脸反欺骗(FAS)在确保人脸识别系统的安全和可靠性方面发挥着关键作用。随着视觉-语言预训练(VLP)模型的发展，最近的两类FAS技术已利用VLP指导的优势，而这种潜力在单类FAS方法中仍未被探索。单类FAS侧重仅从活体训练图像中学习内在存活特征，以区分活体和假脸面。然而，缺乏假脸面训练数据会导致单类FAS模型不小心地纳入与活体/假脸区分无关的域信息(例如面部内容)，从而在测试新应用程序域时导致性能下降。为此，我们提出一种新框架，称为基于语言图像预训练的防欺骗单类人脸反欺骗(SLIP)。鉴于活体人脸理想情况下不应被任何与欺骗相关的对象(例如纸张或面具)遮挡，并假设其应产生零欺骗线索图，我们首先提出一种有效的语言引导的欺骗线索图估计，以通过模拟 underlying 人脸是否被攻击相关对象遮挡而增强单类FAS模型，生成相应的非零欺骗线索图。接着，我们引入一种新颖的提示驱动的存活特征解耦，以通过解耦存活/假脸相关和域相关信息来缓解存活/假脸无关的域变化。最后，我们设计一种有效的数据增强策略，通过融合活体图像和假脸提示的潜在特征来生成假脸样本特征，从而促进单类FAS的学习。我们的广泛实验和消融研究表明，SLIP consistently优于以前的单类FAS方法。