[论文解读] Learning Generalized Spoof Cues for Face Anti-spoofing

Haocheng Feng, Zhibin Hong+6 more|arXiv (Cornell University)|May 8, 2020

Biometric Identification and Security参考文献 37被引用 54

一句话总结

将人脸防欺骗重新表述为异常检测，采用残差框架，通过伪装线索生成器和辅助分类器学习泛化的欺骗线索，在不同数据集上实现最先进的泛化能力。

ABSTRACT

Many existing face anti-spoofing (FAS) methods focus on modeling the decision boundaries for some predefined spoof types. However, the diversity of the spoof samples including the unknown ones hinders the effective decision boundary modeling and leads to weak generalization capability. In this paper, we reformulate FAS in an anomaly detection perspective and propose a residual-learning framework to learn the discriminative live-spoof differences which are defined as the spoof cues. The proposed framework consists of a spoof cue generator and an auxiliary classifier. The generator minimizes the spoof cues of live samples while imposes no explicit constraint on those of spoof samples to generalize well to unseen attacks. In this way, anomaly detection is implicitly used to guide spoof cue generation, leading to discriminative feature learning. The auxiliary classifier serves as a spoof cue amplifier and makes the spoof cues more discriminative. We conduct extensive experiments and the experimental results show the proposed method consistently outperforms the state-of-the-art methods. The code will be publicly available at https://github.com/vis-var/lgsc-for-fas.

研究动机与目标

• 将 FAS 重新表述为异常检测问题，以应对未见的伪装类型。
• 学习区分性生存-伪装差异（伪装线索）作为空间映射。
• 使用残差学习放大伪装线索并改善泛化。
• 端到端训练，对活体样本采用弱监督，对伪装采用隐式监督。
• 在标准 FAS 基准上展示最先进的性能。

提出的方法

• 将伪装线定义为与输入图像对齐的像素级映射，活体样本为零，伪装为非零。
• 提出伪装线索生成器（U-Net），对活体样本使用回归损失以最小化活体数据的伪装线索。
• 引入多尺度三元损失，以促进活体-活体同类内紧凑性与活体-伪装之间的可分离性。
• 使用一个辅助分类器，获取伪装线索图与输入图像的叠加来放大伪装线索并提高判别。
• 以组合损失 L = α1 Lr + α2 sum Lt + α3 La 进行训练，其中 Lr 为活体样本像素级回归，Lt 为多尺度三元损失，La 为辅助分类器损失。
• 在测试阶段，计算伪装分数为生成的伪装线索图的平均幅度（活体为零中心）。

实验结果

研究问题

• RQ1 FAS 是否可以通过学习泛化的伪装线索作为异常检测来有效区分活体与伪装，超越预定义攻击类型？
• RQ2 残差学习与辅助监督是否能提升伪装线索在不同数据集与攻击模态间的判别力和泛化性？
• RQ3 与显式监督伪装相比，学习仅对活体的回归监督如何影响对未知伪装的检测？
• RQ4 输入策略（调整大小 vs 贴片）和多尺度表示对学习到的伪装线索及最终性能有何影响？

主要发现

• 该方法在 SiW 和 OULU-NPU 的协议下实现了数据集内最先进的性能。
• 在跨数据集测试中也表现最好（CASIA-MFSD 与 Replay-Attack 的对比下，HTER）。
• 可视化显示伪装线索对应于介质特定的伪装特征，并实现清晰的活体-伪装分离。
• 消融实验证实残差学习、基于贴片的输入以及联合监督（Lr、Lt、La）对鲁棒伪装线索学习的好处。
• 该方法在未见伪装类型和现实变异下展示出强泛化能力，而不依赖深度信息或时序数据。