학습 가능한 일반화 및 신원 구분 표현을 이용한 얼굴 위조 탐지

얼굴 위조 탐지(또는 프레젠테이션 공격 탐지)는 얼굴 인증 시스템에서 높은 보안 요구 사항으로 인해 점점 더 많은 관심을 받고 있습니다. 기존의 CNN 기반 접근 방식은 훈련 및 테스트 위조 샘플이 유사한 패턴을 나타낼 때 일반적으로 잘 위조된 얼굴을 인식하지만, 미처 본 적 없는 장면의 테스트 위조 얼굴에 대해서는 성능이 급격히 저하됩니다. 이 논문에서는 이러한 방법들의 일반화 능력과 적용성을 향상시키기 위해 두 가지 주요 혁신을 포함하는 CNN 모델을 설계하였습니다. 첫째, 우리는 CNN 훈련에 단순하면서도 효과적인 전체 쌍 혼동(Total Pairwise Confusion, TPC) 손실 함수를 제안합니다. 이 손실 함수는 학습된 프레젠테이션 공격(Presentation Attack, PA) 표현의 일반화 능력을 강화합니다. 둘째, 도메인 변화로 인한 부정적인 영향을 완화하기 위해 빠른 도메인 적응(Fast Domain Adaptation, FDA) 구성 요소를 CNN 모델에 통합하였습니다. 또한, 우리가 제안한 모델인 일반화 가능한 얼굴 인증 CNN(Generalizable Face Authentication CNN, GFA-CNN)은 멀티태스크 방식으로 작동하여 얼굴 위조 탐지와 얼굴 인식을 동시에 수행합니다. 실험 결과는 GFA-CNN이 이전의 얼굴 위조 탐지 접근 방식보다 우수하며, 입력된 얼굴 이미지의 신원 정보도 잘 보존함을 보여줍니다.