論文の概要: SUEDE:Shared Unified Experts for Physical-Digital Face Attack Detection Enhancement
- arxiv url: http://arxiv.org/abs/2504.04818v2
- Date: Wed, 18 Jun 2025 06:44:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-19 16:34:05.36621
- Title: SUEDE:Shared Unified Experts for Physical-Digital Face Attack Detection Enhancement
- Title（参考訳）: 身近な顔攻撃検出機能向上のための一貫した専門家
- Authors: Zuying Xie, Changtao Miao, Ajian Liu, Jiabao Guo, Feng Li, Dan Guo, Yunfeng Diao,
- Abstract要約: 顔認識システムは、物理的な攻撃やデジタル脅威に弱い。
様々な攻撃タイプに固有の違いは、共通の特徴空間を特定する上で重要な課題である。
本研究では,身体デジタル顔検出機能向上のための共有統一専門家であるSuEDEを提案する。
- 参考スコア（独自算出の注目度）: 19.140558657697866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face recognition systems are vulnerable to physical attacks (e.g., printed photos) and digital threats (e.g., DeepFake), which are currently being studied as independent visual tasks, such as Face Anti-Spoofing and Forgery Detection. The inherent differences among various attack types present significant challenges in identifying a common feature space, making it difficult to develop a unified framework for detecting data from both attack modalities simultaneously. Inspired by the efficacy of Mixture-of-Experts (MoE) in learning across diverse domains, we explore utilizing multiple experts to learn the distinct features of various attack types. However, the feature distributions of physical and digital attacks overlap and differ. This suggests that relying solely on distinct experts to learn the unique features of each attack type may overlook shared knowledge between them. To address these issues, we propose SUEDE, the Shared Unified Experts for Physical-Digital Face Attack Detection Enhancement. SUEDE combines a shared expert (always activated) to capture common features for both attack types and multiple routed experts (selectively activated) for specific attack types. Further, we integrate CLIP as the base network to ensure the shared expert benefits from prior visual knowledge and align visual-text representations in a unified space. Extensive results demonstrate SUEDE achieves superior performance compared to state-of-the-art unified detection methods.
- Abstract（参考訳）: 顔認識システムは、物理的攻撃(例:プリント写真)やデジタル脅威(例:DeepFake)に弱いが、現在はFace Anti-SpoofingやForgery Detectionなどの独立した視覚タスクとして研究されている。
様々な攻撃タイプの違いは、共通の特徴空間を特定する上で重要な課題であり、両方の攻撃モードからデータを同時に検出する統合フレームワークを開発するのが困難である。
多様なドメインをまたいだ学習におけるMixture-of-Experts(MoE)の有効性に着想を得て、複数の専門家を用いて様々な攻撃タイプの特徴を学習する。
しかし、物理的およびデジタル攻撃の特徴分布は重なり、異なる。
これは、個々の攻撃タイプのユニークな特徴を学ぶために、異なる専門家にのみ依存していることが、彼ら間で共有された知識を見落としている可能性があることを示唆している。
これらの課題に対処するために,身体・デジタル顔検出のための共有統一専門家SUEDEを提案する。
SUEDEは、共有専門家(常にアクティブ)を組み合わせて、特定の攻撃タイプに対して、攻撃タイプと複数のルーティング専門家(選択的にアクティブ)の両方の共通機能をキャプチャする。
さらに、CLIPをベースネットワークとして統合し、事前の視覚的知識による共有専門家のメリットを確保し、統一された空間における視覚的テキスト表現の整合性を確保する。
SuEDEは最先端の統一検出法に比べて優れた性能を示す。
関連論文リスト
- FA^{3}-CLIP: Frequency-Aware Cues Fusion and Attack-Agnostic Prompt Learning for Unified Face Attack Detection [26.615096090240613]
顔認識システムは物理的(例えば印刷された写真)やデジタル(例えばディープフェイク)の顔攻撃に対して脆弱である。
既存の手法では、クラス内の大きなバリエーションにより、物理的およびデジタル攻撃を同時に検出するのに苦労している。
本稿では、FAsupertextscript3-CLIP(FAsupertextscript3-CLIP)と呼ばれる攻撃検出モデルを提案する。
論文 参考訳（メタデータ） (2025-04-01T06:19:50Z) - La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection [27.020392407198948]
顔認識システムは、物理的攻撃とデジタル攻撃の両方に影響を受けやすい。
スパースモデルを用いてスパースデータを処理する新しい手法を提案する。
フレキシブルな自己適応型重み付け機構を導入し、モデルに適合し、適応できるようにします。
論文 参考訳（メタデータ） (2024-08-23T02:12:13Z) - SHIELD : An Evaluation Benchmark for Face Spoofing and Forgery Detection
with Multimodal Large Language Models [63.946809247201905]
フェーススプーフィングと偽造検出におけるMLLMの能力を評価するための新しいベンチマーク、ShielDを導入する。
我々は、これらの2つの顔セキュリティタスクにおいて、マルチモーダル顔データを評価するために、真/偽/複数選択の質問を設計する。
その結果,MLLMは顔セキュリティ領域において大きな可能性を秘めていることがわかった。
論文 参考訳（メタデータ） (2024-02-06T17:31:36Z) - Unified Physical-Digital Face Attack Detection [66.14645299430157]
顔認識(FR)システムは物理的(印刷写真)とデジタル(ディープフェイク)攻撃に悩まされることがある。
以前の関連する作業では、両方の状況が同時に考慮されることはめったにありません。
視覚言語モデル(VLM)に基づく一元攻撃検出フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-31T09:38:44Z) - Investigating Human-Identifiable Features Hidden in Adversarial
Perturbations [54.39726653562144]
我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。
対人摂動における人間の識別可能な特徴を同定する。
画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
論文 参考訳（メタデータ） (2023-09-28T22:31:29Z) - Enhancing Mobile Face Anti-Spoofing: A Robust Framework for Diverse
Attack Types under Screen Flash [6.870705319423985]
顔認証システムを確保するためには、顔の偽造防止(FAS)が不可欠である。
ATR-FASと呼ばれる軽フラッシュ下での攻撃型頑健な対面防止フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-29T14:41:40Z) - Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。
現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。
空間周波数Krawtchouk分解に基づく識別検出器を提案する。
論文 参考訳（メタデータ） (2023-05-18T10:18:59Z) - Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。
本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-27T05:44:40Z) - Towards A Conceptually Simple Defensive Approach for Few-shot
classifiers Against Adversarial Support Samples [107.38834819682315]
本研究は,数発の分類器を敵攻撃から守るための概念的簡便なアプローチについて検討する。
本稿では,自己相似性とフィルタリングの概念を用いた簡易な攻撃非依存検出法を提案する。
ミニイメージネット(MI)とCUBデータセットの攻撃検出性能は良好である。
論文 参考訳（メタデータ） (2021-10-24T05:46:03Z) - Differential Anomaly Detection for Facial Images [15.54185745912878]
アイデンティティ攻撃は、不正アクセスと偽情報の拡散に使用できるため、セキュリティ上の大きな脅威となる。
同一性攻撃を検出するほとんどのアルゴリズムは、訓練時に未知の攻撃タイプに悪影響を及ぼす。
本稿では,まず画像から深層面の埋め込みを抽出する差動異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-07T13:45:13Z) - MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。
提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
論文 参考訳（メタデータ） (2020-10-25T23:01:13Z)
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。