学习可泛化和身份区分的表示用于面部防欺骗

面部防伪（又称呈现攻击检测）由于在面部认证系统中对高安全性的需求而受到越来越多的关注。现有的基于卷积神经网络（CNN）的方法通常在训练和测试样本显示相似模式时能够很好地识别伪造面孔，但当测试样本来自未见过的场景时，其性能会大幅下降。本文中，我们通过设计具有两个主要创新点的CNN模型来提升这些方法的泛化能力和适用性。首先，我们提出了一种简单而有效的总成对混淆（Total Pairwise Confusion, TPC）损失函数用于CNN训练，这增强了所学习的呈现攻击（Presentation Attack, PA）表示的泛化能力。其次，我们将快速域适应（Fast Domain Adaptation, FDA）组件集成到CNN模型中，以减轻因域变化带来的负面影响。此外，我们提出的模型名为可泛化的面部认证卷积神经网络（Generalizable Face Authentication CNN, GFA-CNN），该模型以多任务方式工作，同时执行面部防伪和人脸识别。实验结果表明，GFA-CNN优于以往的面部防伪方法，并且能够很好地保留输入面部图像的身份信息。