面向统一物理-数字人脸攻击检测的欺骗感知提示学习
计算机视觉与模式识别
2025-12-09 v1
摘要
现实人脸识别系统容易受到物理展示攻击 (PAs) 和数字伪造攻击 (DFs) 的威胁。我们旨在通过实施高级检测实现对生物识别数据的全面保护。现有方法主要使用 CLIP 并加入正则化约束来增强模型在两类任务上的泛化能力。然而，这些方法在同一类别提示空间下，物理与数字攻击检测的优化方向存在冲突。为克服此限制，我们提出 Spoofing-aware Prompt Learning for Unified Attack Detection (SPL-UAD) 框架，该框架在提示空间中解耦物理和数字攻击的优化分支。具体而言，我们构建一个采用自适应 Spoofing Context Prompt Generation 增强的可学习平行提示分支，以实现对每种攻击类型的独立优化控制。此外，我们设计了 Cues-awareness Augmentation，利用双提示机制在数据上生成具有挑战性的样本矇制任务，显著提升模型对未见攻击类型的鲁棒性。大量在大规模 UniAttackDataPlus 数据集上的实验表明，所提方法在统一攻击检测任务中实现了显著的性能提升。
引用
@article{arxiv.2512.06363,
title = {Spoofing-aware Prompt Learning for Unified Physical-Digital Facial Attack Detection},
author = {Jiabao Guo and Yadian Wang and Hui Ma and Yuhao Fu and Ju Jia and Hui Liu and Shengeng Tang and Lechao Cheng and Yunfeng Diao and Ajian Liu},
journal= {arXiv preprint arXiv:2512.06363},
year = {2025}
}