TetraLoss：提升人脸识别抵御融合攻击的鲁棒性

人脸识别系统已广泛应用于边境控制生物特征验证等高安全性场景。尽管这些系统在原始数据上具有很高的准确率，但众所周知，诸如人脸融合之类的数字操作对人脸识别系统构成了安全威胁。恶意行为者可以利用身份证件签发流程提供的便利，获取包含融合图像的身份证件。因此，参与创建融合图像的受试者极有可能利用该身份证件绕过自动人脸识别系统。近年来，无参考（即单图像）和差分融合攻击检测器被提出以应对这一风险。这些系统通常在与需要联合运行的人脸识别系统相隔离的情况下进行评估，且未考虑人脸识别过程。与大多数现有工作不同，我们提出了一种新方法，用于调整基于深度学习的人脸识别系统，使其对融合攻击具有更强的鲁棒性。为此，我们引入了 TetraLoss，这是一种新颖的损失函数，它学习在嵌入空间中将融合人脸图像与其贡献受试者分离开来，同时仍能实现高生物特征验证性能。在综合评估中，我们表明所提出的方法能够显著增强原系统，同时也显著优于其他被测试的基线方法。