SUEDE：用于物理-数字人脸攻击检测增强的共享统一专家

人脸识别系统易受到物理攻击（如打印照片）和数字威胁（如深度伪造）的攻击，这些攻击目前被研究为独立的视觉任务，如人脸反欺骗和伪造检测。不同攻击类型的本质差异为确定常见特征空间带来了显著挑战，使得开发能够同时检测两种攻击模态数据的统一框架变得困难。受 Mixture-of-Experts (MoE) 在跨域学习中有效性的启发，我们探索利用多个专家来学习各种攻击类型的独特特征。然而，物理攻击和数字攻击的特征分布具有重叠且不同的特性。这表明仅依赖于独特专家来学习每种攻击类型的独特性特征可能会忽略它们之间的共享知识。为解决这些问题，我们提出了 SUEDE，即用于物理-数字人脸攻击检测增强的共享统一专家。SUEDE 将一个始终被激活的共享专家用于捕获两种攻击类型的通用特征，并通过多个路由专家（选择性激活）用于特定攻击类型。进一步，我们将 CLIP 作为基础网络，以确保共享专家受益于先验视觉知识，并在统一空间中对齐视觉-文本表征。大量实验结果表明，SUEDE 在与最先进的统一检测方法进行比较时取得了优异的性能。