摘要
得益于其易用性与高效性，人脸认证系统如今已广泛应用于各类电子设备中，用于控制对受保护数据的访问。然而，此类系统的大规模应用也带来了安全性和可靠性方面的挑战。这是因为攻击者可以轻易伪造人脸图像，以欺骗识别系统。因此，亟需将用户身份识别系统与鲁棒的人脸反欺骗机制相结合，其核心目标在于判断待验证的人脸图像是否为活体，还是伪造样本。目前大多数主流的人脸反欺骗系统仅依赖于查询图像本身来决定是否允许访问。然而，在真实应用场景中，人脸认证系统通常包含一个初始注册阶段，即采集并存储用户若干张真实活体图像，以供后续身份识别使用。本文提出一种补充性方法，旨在扩展现有的人脸反欺骗基准测试体系，使其能够纳入与每张查询图像相关联的注册图像信息。我们将该策略应用于两个近期提出的公开数据集：CelebA-Spoof 和 SiW。实验结果表明，通过利用用户的注册数据，现有反欺骗模型可被轻松个性化，从而提升其识别性能。我们进一步在新提出的两个数据集划分——CelebA-Spoof-Enroll 与 SiW-Enroll 上，评估了该增强方法的有效性，验证了融合注册信息在提升反欺骗系统鲁棒性方面的显著优势。