论文笔记-Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing

最新推荐文章于 2022-11-29 18:59:30 发布

Lyndsey

最新推荐文章于 2022-11-29 18:59:30 发布

阅读量721

点赞数

CC 4.0 BY-SA版权

分类专栏： # 论文阅读笔记

本文链接：https://blog.youkuaiyun.com/hahameier/article/details/109823403

本文提出了一种创新的人脸反欺骗技术，结合Residual Spatial Gradient Block (RSGB)和Spatio-Temporal Propagation Module (STPM)，利用深度信息提高检测准确性。通过对比深度损失(CDL)改进了深度监督，同时，建立的DMAD数据集证明了实际深度在单目PAD中的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第1…4天啦

今天依旧给大家介绍一篇人脸反欺骗的论文，略读。

一、研究背景

人脸反欺骗对人脸识别系统的安全性至关重要。深度监督学习已被证明是最有效的人脸反欺骗方法之一。尽管取得了巨大的成功，但大多数先前的工作仍然通过简单地用深度来增加损失来将问题公式化为单帧多任务问题，同时收集详细的细粒度信息以及面部深度和运动模式之间的差异。

以往的方法通常将人脸反欺骗形式化为欺骗和现实生活之间的二元分类。然而，这些方法对于探索欺骗模式的本质是具有挑战性的，例如皮肤去尾的丢失、颜色失真、莫尔模式和欺骗伪像。

为了克服这个问题，人们开发了许多辅助的深度监督人脸反欺骗方法。直观地说，活人脸的图像包含类似人脸的深度，而普通欺骗人脸的图像只有平面深度。因此，阿托姆等人和刘等人提出了单帧深度扩散的CNN架构，并提高了呈现攻击检测(PAD)的准确性。

二、研究方法

相比之下，我们设计了一种新的方法来检测来自多个帧的演示图钉，基于两个见解:
1)通过堆叠的普通卷积，可以丢弃活体和欺骗面部之间的详细区分线索(例如，空间梯度大小)
2)3D移动面部的动态特性在检测欺骗面部时提供重要线索。
在这里插入图片描述

所提出的方法能够通过Residual Spatial Gra- dient Block (RSGB) 捕获有区别的细节，并有效地编码来自时空传播模块Spatio-Temporal Propagation Module (STPM)的时空信息。此外，为了更准确地进行深度监控，提出了一种新的Contrastive Dep