[论文解读] Impact of Face Image Quality Estimation on Presentation Attack Detection

Carlos Aravena, Diego Pasmiño+2 more|arXiv (Cornell University)|Sep 30, 2022

Face recognition and analysis被引用 4

一句话总结

本文研究了面部图像质量评估（FIQA）对人脸识别系统中呈现攻击检测（PAD）的影响。通过在训练前过滤低质量的真品和攻击样本，基于视觉Transformer的PAD模型（ViTranZFAS）在20%数据量减少的训练集上进行跨数据集测试时，BPCER降低了4%，表明质量感知过滤可提升PAD的鲁棒性和泛化能力。

ABSTRACT

Non-referential face image quality assessment methods have gained popularity as a pre-filtering step on face recognition systems. In most of them, the quality score is usually designed with face matching in mind. However, a small amount of work has been done on measuring their impact and usefulness on Presentation Attack Detection (PAD). In this paper, we study the effect of quality assessment methods on filtering bona fide and attack samples, their impact on PAD systems, and how the performance of such systems is improved when training on a filtered (by quality) dataset. On a Vision Transformer PAD algorithm, a reduction of 20% of the training dataset by removing lower quality samples allowed us to improve the BPCER by 3% in a cross-dataset test.

研究动机与目标

• 评估面部图像质量评估（FIQA）对真实生物识别系统中呈现攻击检测（PAD）性能的影响。
• 分析FIQA预过滤对真品与攻击样本选择的影响，特别是质量分布方面。
• 研究从训练数据集中移除低质量样本是否能提升PAD的泛化能力并降低错误率。
• 比较不同FIQA方法（MagFace、SER-FIQ、SDD-FIQ）在多个数据集上提升PAD系统性能的有效性。

提出的方法

• 应用多种最先进的FIQA方法——MagFace、SER-FIQ和SDD-FIQ——对图像进行质量评分并实施过滤。
• 通过丢弃20%最低质量的样本（包括真品和攻击图像）来过滤训练数据集，以评估其对PAD模型性能的影响。
• 在完整数据集和过滤后数据集上，使用内部和跨数据集测试协议训练并评估两种PAD模型——ViTranZFAS和SSDG。
• 采用标准指标衡量性能：EER（等错误率）、BPCER（10%至20%FAR之间的错误率）和APCER（攻击样本分类错误率）。
• 使用基于视觉Transformer的架构（ViTranZFAS）作为主要PAD模型，以评估在质量过滤数据下的泛化能力。
• 开展消融研究，比较不同FIQA方法的性能及其对PAD准确率和鲁棒性的影响。

实验结果

研究问题

• RQ1 使用FIQA方法进行预过滤如何影响训练数据中真品与攻击样本之间的平衡？
• RQ2 移除低质量样本在多大程度上提升了PAD模型在不同数据集上的泛化能力？
• RQ3 哪种FIQA方法在数据过滤中能带来最一致的PAD性能提升？
• RQ4 质量过滤带来的性能增益在内部数据集与跨数据集评估场景中是否存在差异？
• RQ5 质量感知过滤是否能减少PAD系统中的误报数量，同时不牺牲真品识别的准确率？

主要发现

• 在使用ViTranZFAS模型训练时，过滤掉20%最低质量样本后，跨数据集测试的BPCER降低了4%，表明泛化能力得到提升。
• MagFace FIQA方法整体表现最佳，使EER最高降低1%，BPCER最高降低4%，在多个测试场景中均取得显著改善。
• ViTranZFAS模型在高质量攻击样本上表现出更强的判别能力，表明质量感知过滤可增强对伪造人脸的检测能力。
• 使用过滤后数据（减少20%）训练使跨数据集测试的BPCER提升了3%，证明数据质量过滤可增强模型鲁棒性。
• SSDG模型也从MagFace过滤中受益，在内部数据集测试中EER降低1.5%，且在跨数据集评估中BPCER下降。
• 相比之下，基于MobileNetv3的训练未带来性能提升，甚至在使用过滤数据时指标有所恶化，表明不同模型对数据质量过滤的敏感性存在差异。