近日，实验室关于跨域活体检测的工作“Generalized Face Liveness Detection via De-fake Face Generator” (作者: 龙行明，张杰*，山世光) 被T-PAMI接收。T-PAMI全称为IEEE Transactions on Pattern Analysis and Machine Intelligence, 是模式识别、计算机视觉及机器学习领域的国际主流期刊, 2024年公布的影响因子为20.8。
过去的活体检测（Face Anti-Spoofing, FAS）模型容易在跨域测试时表现不佳。我们认为其主要原因是现有大多数的活体检测数据集在规模上都偏小，缺乏数据多样性。同时，我们发现近年来人脸识别技术的发展使得大量包含真实人脸的数据集被开源，而这些数据可以帮助弥补现有活体检测数据集在多样性上的不足。基于此，本文提出了一种基于异常提示的活体检测方法（Anomalous cue Guided FAS, AG-FAS），能够通过训练一个去伪人脸生成器（De-fake Face Generator, DFG）有效利用大规模的真实人脸数据来提升模型的泛化能力。具体而言，在真实人脸数据上训练的DFG能够生成任何输入人脸图像所对应的“真实”人脸图像，从而输入人脸图像与生成的“真实”人脸图像之间的差异可以用作模型发现输入异常的线索。为了更有效地利用这一异常线索，我们提出了异常注意力网络（Off-real Attention Network, OA-Net）来根据异常线索将注意力分配到输入图像的特定区域。最后我们在总共九个活体检测数据集上进行了实验，发现所提出的方法在各种跨域实验设置中都取得了最优的结果。此外，本文中还通过理论分析证明了所提出的异常线索的有效性。
图1. 去伪人脸生成器（DFG）的结构图。在真实人脸数据上训练的DFG能够以输入人脸的身份特征
做为条件输入，生成其所对应的“真实”人脸图像
附件：