论文页面 - 番茄、土豆与洋葱：对人脸呈现攻击检测中是否需要人脸内容的质疑

来源：https://huggingface.co/papers/2608.21455

摘要

无人脸呈现攻击数据集能够生成可迁移的呈现攻击检测（PAD）表征，无需依赖人脸内容即可提升跨数据集检测性能。

传统上，人脸呈现攻击检测（https://huggingface.co/papers?q=presentation%20attack%20detection）（PAD）被视为针对人脸的特定问题，尽管打印、回放和重采集过程中引入的许多视觉伪影本质上与人脸外观无关。本研究探讨在PAD下游训练中不使用人脸图像时，是否仍能学习到可迁移的PAD表征。为此，我们引入了TPO——一个受控的无人脸呈现攻击数据集，包含对随机选取的番茄、土豆和洋葱进行的真人样本、打印攻击及回放攻击录制，其采集协议与传统人脸PAD数据集高度相似。

基于基础模型的PAD（https://huggingface.co/papers?q=foundation-model-based%20PAD）架构实验证明：在TPO上训练的检测器在四个标准跨数据集人脸PAD基准测试中平均AUC（https://huggingface.co/papers?q=AUC）达到92.70%，性能优于基于合成人脸的训练，并与真实人脸数据集训练的模型保持竞争力。反之，在人脸PAD数据集上训练的模型也能稳定迁移至TPO数据集，表明所学表征捕获的是呈现过程特征而非物体语义。进一步研究发现，在固定优化预算下，将TPO纳入常规人脸PAD训练能持续提升跨数据集性能，说明无人脸数据提供了互补信息而非简单的额外训练样本。最后，表征分析与频谱分析表明，可迁移的PAD表征无法用单一频谱伪影解释，而是编码了跨物体类别共享的丰富呈现线索。

这些结果共同证明，可迁移的呈现攻击表征可以独立于人脸内容进行学习，为隐私保护和身份无关的PAD技术发展开辟了新途径。

查看 arXiv 页面 (https://arxiv.org/abs/2608.21455)查看 PDF (https://arxiv.org/pdf/2608.21455)GitHub0 (https://github.com/gurayozgur/TPO)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.21455)

在智能助手中获取此论文：

hf papers read 2608\.21455

尚未安装最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

暂无关联模型

在模型 README.md 中引用 arxiv.org/abs/2608.21455 即可从本页建立链接。

引用本文的数据集0

暂无关联数据集

在数据集 README.md 中引用 arxiv.org/abs/2608.21455 即可从本页建立链接。

引用本文的 Space0

暂无关联 Space

在 Space README.md 中引用 arxiv.org/abs/2608.21455 即可从本页建立链接。

收录本文的收藏集1