SRL-MAD：用于单类面部变形攻击检测的结构化残差潜在

面部变形攻击代表了生物识别系统面临的重大威胁，因为它们允许将多个身份组合到单个面部。虽然有监督的变形攻击检测（MAD）方法在性能方面显示出前景，但其对攻击标记数据依赖限制了对未见变形攻击的泛化。这促使日益增加了对单类 MAD 的兴趣，即仅使用正样本训练模型，并期望将未见攻击检测为正常面部结构的偏差。在此背景下，我们引入了 SRL-MAD，这是一种用于开放集变形攻击检测的单类单图像 MAD，采用结构化残差傅里叶表示。我们从抑制图像特定谱浪的残差频率图开始，保留傅里叶域的二维组织，通过基于环的表示替代方位平均，并通过学习的环态谱投影来实现。为进一步编码变形痕迹出现的域知识，我们通过将谱证组织分为低、中和高频带，并学习跨频带的相互作用。这些结构化谱特征被映射到一个设计用于直接评分的潜在空间，避免依赖重建误差。在 FERET-Morph、FRLL-Morph 和 MorDIFF 上进行的广泛评估表明，SRL-MAD 在所有单类和有监督 MAD 模型中 consistently 均超越。总体而言，我们的结果表明，学习频率感知的投影比方位谱汇总为单类变形攻击检测提供了更具辨识力的替代方案。