論文の概要: SRL-MAD: Structured Residual Latents for One-Class Morphing Attack Detection

• arxiv url: http://arxiv.org/abs/2603.15050v1
• Date: Mon, 16 Mar 2026 10:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:57.997041
• Title: SRL-MAD: Structured Residual Latents for One-Class Morphing Attack Detection
• Title（参考訳）: SRL-MAD:一級モルフィング検出のための構造残留潜伏剤
• Authors: Diogo J. Paulo, Hugo Proença, João C. Neves,
• Abstract要約: オープンセット型モーフィング攻撃検出のための構造的残差フーリエ表現を用いた一級シングルイメージMADであるSRL-MADを紹介する。 SRL-MADは最近の一級・教師付きMADモデルより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 5.931399156681511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face morphing attacks represent a significant threat to biometric systems as they allow multiple identities to be combined into a single face. While supervised morphing attack detection (MAD) methods have shown promising performance, their reliance on attack-labeled data limits generalization to unseen morphing attacks. This has motivated increasing interest in one-class MAD, where models are trained exclusively on bona fide samples and are expected to detect unseen attacks as deviations from the normal facial structure. In this context, we introduce SRL-MAD, a one-class single-image MAD that uses structured residual Fourier representations for open-set morphing attack detection. Starting from a residual frequency map that suppresses image-specific spectral trends, we preserve the two-dimensional organization of the Fourier domain through a ring-based representation and replace azimuthal averaging with a learnable ring-wise spectral projection. To further encode domain knowledge about where morphing artifacts arise, we impose a frequency-informed inductive bias by organizing spectral evidence into low, mid, and high-frequency bands and learning cross-band interactions. These structured spectral features are mapped into a latent space designed for direct scoring, avoiding the reliance on reconstruction errors. Extensive evaluation on FERET-Morph, FRLL-Morph, and MorDIFF demonstrates that SRL-MAD consistently outperforms recent one-class and supervised MAD models. Overall, our results show that learning frequency-aware projections provides a more discriminative alternative to azimuthal spectral summarization for one-class morphing attack detection.
• Abstract（参考訳）: 顔形態攻撃は生体認証システムにとって重要な脅威であり、複数のアイデンティティを一つの顔に組み合わせることができる。 教師付きモーフィング攻撃検出(MAD)法は有望な性能を示したが、攻撃ラベル付きデータへの依存は、予測できないモーフィング攻撃への一般化を制限している。 これは、モデルがボナファイドのサンプルにのみ訓練され、通常の顔構造からの逸脱として目に見えない攻撃を検出することが期待される一級MADへの関心の高まりを動機付けている。 SRL-MADは, 構造的残差フーリエ表現を用いて, オープンセットのモーフィング攻撃検出を行う一級単像MADである。 画像固有のスペクトル傾向を抑制する残留周波数マップから始め、リングベース表現を通してフーリエ領域の2次元構造を保存し、アジムタール平均化を学習可能なリングワイドスペクトル投影に置き換える。 変形するアーティファクトの発生場所に関するドメイン知識をさらに符号化するために、スペクトル証拠を低、中、高周波数帯に整理し、クロスバンド相互作用を学習することにより、周波数インフォームによる帰納バイアスを課す。 これらの構造されたスペクトル特徴は、直接スコアリング用に設計された潜在空間にマッピングされ、再構成エラーへの依存を避ける。 FERET-Morph、FRLL-Morph、MorDIFFの広範囲な評価は、SRL-MADが最近の一級および教師付きMADモデルより一貫して優れていることを示している。 以上の結果から,学習周波数対応投影法は,一級変態攻撃検出のためのアジムタールスペクトルの要約よりも,より差別的な代替手段を提供することが示された。

関連論文リスト

• FD-MAD: Frequency-Domain Residual Analysis for Face Morphing Attack Detection [5.931399156681511]
  本稿では,強いベースライン法を大幅に改善する,地域対応の周波数に基づく形態検出手法を提案する。 FRLL-Morphでは平均等誤差率(EER)が1.85%、MAD22では平均EERが6.12%である。
  論文  参考訳（メタデータ） (2026-01-28T14:38:51Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
  本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。 我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
  論文  参考訳（メタデータ） (2025-06-15T14:53:27Z)
• SelfMAD: Enhancing Generalization and Robustness in Morphing Attack Detection via Self-Supervised Learning [8.554461485466936]
  SelfMADは、一般的な攻撃アーティファクトをシミュレートする、新しい自己教師型アプローチである。 現状のMADよりも,SelfMADの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T21:03:00Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• MLSD-GAN -- Generating Strong High Quality Face Morphing Attacks using Latent Semantic Disentanglement [6.747633314364796]
  顔形態攻撃は顔認識システムを騙すのに使える。 本稿では,StyleGANのアンタングルを用いた高品質なモーフィング攻撃生成手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T07:26:30Z)
• Face Morphing Attack Detection with Denoising Diffusion Probabilistic Models [0.0]
  モールフされた顔画像は、様々な悪意のある目的のために誰かの身元を偽装するために使用することができる。 既存のMAD技術は、ボナフィドやモルフィド画像の例から学ぶ識別モデルに依存している。 本研究では,ボナファイド画像の特徴からのみ学習できる新しい拡散型MAD法を提案する。
  論文  参考訳（メタデータ） (2023-06-27T18:19:45Z)
• Fusion-based Few-Shot Morphing Attack Detection and Fingerprinting [37.161842673434705]
  顔認識システムは、モーフィング攻撃に弱い。 既存のモーフィング攻撃検出手法の多くは、大量のトレーニングデータを必要としており、いくつかの事前定義された攻撃モデルでのみテストされている。 我々は,MADを教師付き学習から少数ショット学習へ,バイナリ検出からマルチクラスフィンガープリントへ拡張することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T14:46:53Z)

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。