تعلم تمثيلات قابلة للتعميم ومميزة للهوية للكشف عن التلاعب في الوجوه

لقد أثارت تقنيات مكافحة التلاعب بالوجه (والتي تُعرف أيضًا باسم اكتشاف الهجمات التقديمية) اهتمامًا متزايدًا بسبب الطلب العالي على الأمن في أنظمة التحقق من هوية الوجه. غالبًا ما تكون النماذج القائمة على الشبكات العصبية المعمقة (CNN) قادرة على تمييز الوجوه المزيفة بشكل جيد عندما تظهر عينات التدريب والاختبار أنماطًا مشابهة، ولكن أدائها ينخفض بشكل كبير عند اختبار الوجوه المزيفة في مشاهد غير معروفة. في هذا البحث، نحاول تعزيز قابلية تعميم هذه الأساليب وتطبيقها من خلال تصميم نموذج CNN يتضمن ابتكارين رئيسيين. أولاً، نقترح دالة خسارة زوجية كاملة (Total Pairwise Confusion - TPC) بسيطة ومعتبرة لتدريب CNN، مما يعزز قابلية تعميم التمثيلات المستخرجة من الهجمات التقديمية (Presentation Attack - PA). ثانيًا، ندمج مكون التكيف السريع للمنطقة (Fast Domain Adaptation - FDA) في نموذج CNN لتخفيف الآثار السلبية التي تنتج عن تغيير المناطق. بالإضافة إلى ذلك، يعمل النموذج المقترح، الذي سمي بـ "الشبكة العصبية المعمقة للتحقق من هوية الوجه القابلة للتعميم" (Generalizable Face Authentication CNN - GFA-CNN)، بطريقة متعددة المهام، حيث يقوم بمكافحة التلاعب بالوجه والتعرف على الوجه في آن واحد. تظهر النتائج التجريبية أن GFA-CNN يتفوق على الأساليب السابقة لمكافحة التلاعب بالوجه ويحافظ أيضًا بشكل جيد على المعلومات الشخصية للصور الوجهية المدخلة.