論文の概要: Physics-Guided Spoof Trace Disentanglement for Generic Face
Anti-Spoofing
- arxiv url: http://arxiv.org/abs/2012.05185v1
- Date: Wed, 9 Dec 2020 17:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 07:14:43.327699
- Title: Physics-Guided Spoof Trace Disentanglement for Generic Face
Anti-Spoofing
- Title(参考訳): 汎用抗スプーフィングのための物理誘導型spoofトレース異方性
- Authors: Yaojie Liu and Xiaoming Liu
- Abstract要約: 偽造防止の鍵は「偽造痕跡」と呼ばれる微妙なイメージパターンにある
本研究では,スプーフの顔がスプーフの痕跡と実物に絡み合うような,新たな逆学習フレームワークを設計する。
- 参考スコア(独自算出の注目度): 26.389969978817042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prior studies show that the key to face anti-spoofing lies in the subtle
image pattern, termed "spoof trace", e.g., color distortion, 3D mask edge,
Moire pattern, and many others. Designing a generic face anti-spoofing model to
estimate those spoof traces can improve not only the generalization of the
spoof detection, but also the interpretability of the model's decision. Yet,
this is a challenging task due to the diversity of spoof types and the lack of
ground truth in spoof traces. In this work, we design a novel adversarial
learning framework to disentangle spoof faces into the spoof traces and the
live counterparts. Guided by physical properties, the spoof generation is
represented as a combination of additive process and inpainting process.
Additive process describes spoofing as spoof material introducing extra
patterns (e.g., moire pattern), where the live counterpart can be recovered by
removing those patterns. Inpainting process describes spoofing as spoof
material fully covering certain regions, where the live counterpart of those
regions has to be "guessed". We use 3 additive components and 1 inpainting
component to represent traces at different frequency bands. The disentangled
spoof traces can be utilized to synthesize realistic new spoof faces after
proper geometric correction, and the synthesized spoof can be used for training
and improve the generalization of spoof detection. Our approach demonstrates
superior spoof detection performance on 3 testing scenarios: known attacks,
unknown attacks, and open-set attacks. Meanwhile, it provides a
visually-convincing estimation of the spoof traces. Source code and pre-trained
models will be publicly available upon publication.
- Abstract(参考訳): 以前の研究では、スプーフ防止の鍵は「スプーフトレース」と呼ばれる微妙な画像パターン、例えば色歪、3dマスクエッジ、モワールパターンなどにあることが示されている。
これらのspoofトレースを推定するための汎用的なface anti-spoofingモデルの設計は、spoof検出の一般化だけでなく、モデルの決定の解釈可能性も改善できる。
しかし、これはspoof型の多様性とspoofトレースにおける基底的真理の欠如のため、難しい課題である。
本研究では,スプーフの顔がスプーフの痕跡と実物に絡み合うような,新たな逆学習フレームワークを設計する。
物理的性質により、spoof生成は加法工程と塗り込み工程の組み合わせとして表される。
加法プロセスでは、スプーフィングを余分なパターン(例えばmoireパターン)を導入するスプーフィング材料として記述している。
塗布プロセスでは、スプーフは特定の領域を完全に覆うスプーフ材料であり、これらの領域の生きた領域を「くっつける」必要がある。
3個の添加成分と1個の塗工成分を用いて異なる周波数帯域でのトレースを表現する。
この異方性spoofトレースは、適切な幾何補正後の現実的な新しいspoof顔の合成に利用することができ、合成spoofは、spoof検出のトレーニングおよび一般化に使用できる。
提案手法は,既知の攻撃,未知の攻撃,オープンセット攻撃という3つのテストシナリオにおいて,優れたspoof検出性能を示す。
一方、スプーフトレースの視覚的に収束する推定を提供する。
ソースコードと事前訓練されたモデルは、公開時に公開される。
関連論文リスト
- Spoof Diarization: "What Spoofed When" in Partially Spoofed Audio [35.485350559012645]
本稿では,部分的スポフ(PS)シナリオにおける新しいタスクとして,スポフダイアリゼーションを定義する。
異なるスプーフ手法に従って、スプーフ領域の配置とクラスタ化を含む、スプーフがいつ何になったかを決定することを目的としている。
論文 参考訳(メタデータ) (2024-06-12T02:23:57Z) - Modeling Spoof Noise by De-spoofing Diffusion and its Application in
Face Anti-spoofing [40.82039387208269]
本稿では,拡散モデルを用いてスプーフ画像をデノベートし,真の画像を復元する先駆的な試みを提案する。
これら2つの画像の違いはスプーフノイズと見なされ、顔の反スプーフに対する識別的手がかりとして機能する。
論文 参考訳(メタデータ) (2024-01-16T10:54:37Z) - Learning Polysemantic Spoof Trace: A Multi-Modal Disentanglement Network
for Face Anti-spoofing [34.44061534596512]
本稿では,より正確で堅牢な汎用攻撃検出のために,多面的スプーフトレースをターゲットとしたマルチモーダル・アンタングルモデルを提案する。
特に、対角学習機構に基づいて、RGBと深度入力からそれぞれスプーフパターンを推定する2ストリームディエンタングリングネットワークを設計する。
論文 参考訳(メタデータ) (2022-12-07T20:23:51Z) - Semantic-aware One-shot Face Re-enactment with Dense Correspondence
Estimation [100.60938767993088]
ワンショットの顔の再現は、ソースと駆動する顔の同一性ミスマッチのため、難しい作業である。
本稿では,3次元形態素モデル(3DMM)を明示的な顔のセマンティックな分解とアイデンティティの絡み合いに利用することを提案する。
論文 参考訳(メタデータ) (2022-11-23T03:02:34Z) - Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth
Uncertainty Learning [54.15303628138665]
フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。
既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。
我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-01T15:36:59Z) - Robust Face-Swap Detection Based on 3D Facial Shape Information [59.32489266682952]
顔のスワップ画像やビデオは、悪意ある攻撃者を惹きつけ、重要な人物の信用を損ねている。
以前のピクセルレベルのアーティファクトに基づく検出技術は、常に不明瞭なパターンにフォーカスするが、利用可能なセマンティックなヒントは無視する。
キーフィギュアの顔・スワップ検出のための外観・形状特徴をフル活用するための生体情報に基づく手法を提案する。
論文 参考訳(メタデータ) (2021-04-28T09:35:48Z) - On Disentangling Spoof Trace for Generic Face Anti-Spoofing [24.75975874643976]
偽造防止の鍵は「偽造痕跡」と呼ばれる微妙なイメージパターンにある
本研究は,スプーフトレースを入力面から切り離すための,新たな逆学習フレームワークを設計する。
論文 参考訳(メタデータ) (2020-07-17T23:14:16Z) - Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。
本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。
提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
論文 参考訳(メタデータ) (2020-07-11T21:20:55Z) - Look Locally Infer Globally: A Generalizable Face Anti-Spoofing Approach [53.86588268914105]
最先端のスプーフ検出方法は、トレーニング中に見られるスプーフタイプに過度に適合し、未知のスプーフタイプに一般化できない傾向にある。
顔画像から局所的な識別的手がかりを自己監督的に学習するために訓練された自己監督型地域完全畳み込みネットワーク(SSR-FCN)を提案する。
論文 参考訳(メタデータ) (2020-06-04T13:11:17Z) - Learning Generalized Spoof Cues for Face Anti-spoofing [43.32561471100592]
本研究では,スプーフ・キューとして定義される識別的ライブ・スプーフの差異を学習するための残差学習フレームワークを提案する。
ジェネレータは、生きたサンプルのスプーフキューを最小限に抑えつつ、見知らぬ攻撃に対してうまく一般化するために、スプーフサンプルのスプーフキューに明示的な制約を課さない。
実験の結果,提案手法は最先端の手法よりも一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-08T09:22:13Z) - Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing [61.82466976737915]
深層学習は、顔の反偽造の最も効果的な方法の1つとして証明されている。
2つの洞察に基づいて,複数フレームからの提示攻撃を検出する新しい手法を提案する。
提案手法は,5つのベンチマークデータセットの最先端結果を実現する。
論文 参考訳(メタデータ) (2020-03-18T06:11:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。