揭示双面真相：解耦形变身份以实现人脸形变检测

形变攻击持续威胁生物识别系统，尤其是人脸识别系统。随着时间推移，它们变得更容易实施且更逼真，因此使用深度学习系统来检测这些攻击的需求不断增长。与此同时，人们一直担忧深度学习模型缺乏可解释性。平衡性能与可解释性对科研人员而言是一项艰巨任务。然而，通过利用领域信息并施加若干约束，我们开发了 IDistill——一种具有最先进性能的可解释方法，它能提供关于形变样本中身份分离及其对最终预测贡献的信息。领域信息由一个自编码器学习并蒸馏至分类器系统，以教会其分离身份信息。与文献中其他方法相比，它在五个数据库中的三个上表现更优，在其余数据库上具有竞争力。