摘要
随着电子设备中现代传感器在生物特征认证中的广泛应用，人脸识别技术的使用日益增长。尽管此类技术看似具有吸引力，但其背后潜藏着诸多隐性缺陷。本文聚焦于帧级（frame-level）的人脸反欺骗（Face Anti-Spoofing, FAS）问题，旨在降低生物特征认证过程中因人脸欺骗攻击所带来的风险。我们提出了一种新颖的方法，将双向特征金字塔网络（Bi-directional Feature Pyramid Network, BiFPN）应用于EfficientDet检测架构中，以实现卷积多尺度特征提取，该方法在FAS任务中尚属首次应用。在此基础上，我们进一步利用这些多尺度卷积特征，实施深度像素级监督（deep pixel-wise supervision），以提升模型对细微伪造痕迹的感知能力。在所有实验中，我们在主流数据集上进行了全面评估，结果在大多数情况下均达到了具有竞争力的性能表现。特别地，我们引入了一个辅助的自监督分支，该分支负责在频域中重建输入图像，实验表明，在OULU-NPU数据集的Protocol IV上，该方法实现了2.92%的平均分类错误率（Average Classification Error Rate, ACER），显著优于当前已发表的像素级人脸反欺骗方法。此外，遵循先前研究的实验范式，我们进行了跨数据集测试，结果进一步验证了所提出模型的强泛化能力——在未经过任何微调（fine-tuning）的情况下，模型在多种传感器采集的数据上均表现出最优性能，充分展现了其在实际应用场景中的鲁棒性与适应性。