学習可能な一般化と識別可能な表現を用いた顔偽装検出

顔の偽装検出（別称：提示攻撃検出）は、顔認証システムにおける高セキュリティ要件により、注目を集めています。既存のCNNベースの手法は、訓練とテストで偽装サンプルが類似したパターンを示す場合に通常は偽装顔をよく認識しますが、未見のシーンでのテスト偽装顔に対しては性能が急激に低下します。本論文では、これらの手法の汎化能力と適用性を向上させるために、2つの主要な新規性を持つCNNモデルを設計しました。まず、単純かつ効果的な全対間混同行（Total Pairwise Confusion: TPC）損失関数を提案し、学習された提示攻撃（Presentation Attack: PA）表現の汎化能力を強化します。次に、ドメイン変化によってもたらされる負の影響を軽減するために、高速ドメイン適応（Fast Domain Adaptation: FDA）コンポーネントをCNNモデルに組み込みました。さらに、提案するモデルである汎化可能な顔認証CNN（Generalizable Face Authentication CNN: GFA-CNN）はマルチタスク方式で動作し、顔偽装検出と顔認識を同時に実行します。実験結果は、GFA-CNNが従来の顔偽装検出手法よりも優れており、入力顔画像のアイデンティティ情報を良好に保つことを示しています。