用于人脸反欺骗的测试时域泛化

人脸反欺骗 (FAS) 在保护面部识别系统免受呈现攻击方面至关重要。虽然已经开发了域泛化 (DG) 方法来提升 FAS 性能，但它们主要侧重于在训练期间学习域不变特征，这可能无法保证对与源分布存在巨大差异的未见数据的泛化能力。我们的见解是，测试数据可以作为一种宝贵的资源，以增强 DG FAS 的泛化能力，而不仅仅是用于评估。在本文中，我们为 FAS 引入了一种新颖的测试时域泛化 (TTDG) 框架，该框架利用测试数据来提升模型的泛化能力。我们的方法由测试时风格投影 (TTSP) 和多样风格偏移模拟 (DSSS) 组成，有效地将未见数据投影到已见域空间中。具体而言，我们首先引入创新的 TTSP，将测试分布中任意未见样本的风格投影到训练分布的已知源空间。然后，我们设计了高效的 DSSS，通过在超球面特征空间中具有两个专门设计的损失的可学习风格基来合成多样的风格偏移。我们的方法消除了在测试时更新模型的需要，不仅可以无缝集成到 CNN 中，还可以集成到 ViT 主干网络中。在广泛使用的跨域 FAS 基准上的综合实验证明了我们方法的 SOTA 性能和有效性。