초록
본 논문에서는 후속 단계의 얼굴 인식 시스템의 보안성을 강화하기 위해 온라인 얼굴 생체 활성 검증 시스템의 성능을 향상시키는 데 초점을 맞춘다. 기존의 대부분의 프레임 기반 방법은 시간에 따른 예측 불일치 문제에 시달리고 있다. 이 문제를 해결하기 위해 시간적 일관성 기반의 간단하면서도 효과적인 솔루션이 제안된다. 구체적으로, 학습 단계에서는 소프트맥스 교차 엔트로피 손실 외에 시간적 자기지도 학습 손실과 클래스 일관성 손실을 도입하여 시간적 일관성 제약을 통합한다. 배포 단계에서는 학습 없이 비모수적 불확실성 추정 모듈을 개발하여 예측을 적응적으로 매끄럽게 만든다. 일반적인 평가 방식 외에도, 보다 실제 적용에 가까운 시나리오를 반영하기 위해 영상 세그먼트 기반의 평가 방식이 제안된다. 광범위한 실험을 통해 제안된 방법이 다양한 환경에서 여러 형태의 제시 공격에 대해 더 뛰어난 안정성을 보이며, 여러 공개 데이터셋에서 최신 기술(SOTA) 대비 최소 40% 이상의 ACER(Attack Classification Error Rate) 향상을 달성함을 확인하였다. 또한 계산 복잡도가 크게 감소되어(FLOPs 기준 약 33% 절감) 저지연 온라인 응용에 매우 유망한 잠재력을 지닌다.