面向单类人脸反欺骗的无监督特征解耦与增强网络
计算机视觉与模式识别
2025-07-25 v2
摘要
人脸反欺骗（FAS）技术旨在通过区分真实活体人脸与欺骗性尝试来增强人脸身份认证的安全性。虽然两类FAS方法可能因过拟合训练攻击而获得更好性能，但单类FAS方法能很好地处理未见攻击，但对与活体特征纠缠的域信息鲁棒性较差。为解决此问题，我们提出了一种无监督特征解耦与增强网络（UFDANet），这是一种通过解耦特征增强人脸图像来提升泛化能力的单类FAS技术。UFDANet采用一种新颖的无监督特征解耦方法分离活体特征和域特征，促进判别性特征学习。它集成了分布外活体特征增强方案，以合成偏离活体类别的未见欺骗类的新活体特征，从而增强活体特征的表征能力和判别能力。此外，UFDANet还包含一个域特征增强例程，用于合成未见域特征，从而实现更好的泛化能力。大量实验表明，所提出的UFDANet优于先前的单类FAS方法，并达到了与最先进的两类FAS方法相当的性能。
引用
@article{arxiv.2503.22929,
title = {Unsupervised Feature Disentanglement and Augmentation Network for One-class Face Anti-spoofing},
author = {Pei-Kai Huang and Jun-Xiong Chong and Ming-Tsung Hsu and Fang-Yu Hsu and Yi-Ting Lin and Kai-Heng Chien and Hao-Chiang Shao and Chiou-Ting Hsu},
journal= {arXiv preprint arXiv:2503.22929},
year = {2025}
}