論文の概要: Generalized Disguise Makeup Presentation Attack Detection Using an Attention-Guided Patch-Based Framework
- arxiv url: http://arxiv.org/abs/2604.26025v1
- Date: Tue, 28 Apr 2026 18:07:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.135763
- Title: Generalized Disguise Makeup Presentation Attack Detection Using an Attention-Guided Patch-Based Framework
- Title（参考訳）: Attention-Guided Patch-based Framework を用いた一般化解像提示検出
- Authors: Fateme Taraghi, Atefe Aghaei, Mohsen Ebrahimi Moghaddam,
- Abstract要約: 一般化された化粧品提示攻撃検出フレームワークを提案する。
我々は,実環境下で収集された顔と変装顔の,新しい多様で多様なデータセットを構築した。
実験の結果,収集したデータセットとSIW-Mv2の双方に強い一般化が認められた。
- 参考スコア（独自算出の注目度）: 0.4779196219827507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite significant advances in facial recognition systems, they remain vulnerable to face presentation attacks. Among them, disguise makeup attacks are particularly challenging, as they use advanced cosmetics, prosthetic components, and artificial materials to realistically alter facial appearance, often making detection difficult even for humans. Despite their importance, this problem remains underexplored, and publicly available datasets are limited. To address this, we propose a generalized disguise makeup presentation attack detection framework. The method adopts a two-phase design in which a style-invariant full-face model, trained with metric learning and enhanced by a whitening transformation, extracts region attention scores via Grad-CAM. These scores guide a patch-based phase that performs localized analysis using region-specific subnetworks trained with metric learning for fine-grained discrimination. We also construct a new, diverse dataset of live and disguise makeup faces collected under real-world conditions, covering variations in subjects, environments, and disguise materials. Experimental results demonstrate strong generalization across both the collected dataset and SIW-Mv2, achieving 8.97% ACER and 9.76% EER on the collected dataset, and 0% ACER on Obfuscation and Impersonation and 1.34% on Cosmetics attacks of SIW-Mv2. The proposed method consistently outperforms prior works while maintaining robust performance across other spoof types.
- Abstract（参考訳）: 顔認識システムの大幅な進歩にもかかわらず、顔の提示攻撃には弱いままである。
その中には、高度な化粧品、補綴部品、人工材料を使って顔の外観をリアルに変化させ、しばしば人間にとっても検出が困難になるため、メイクアップ攻撃は特に困難である。
その重要性にもかかわらず、この問題は未調査のままであり、公開されているデータセットは限られている。
そこで本研究では,一般化された化粧品提示攻撃検出フレームワークを提案する。
本手法では, ホワイトニング変換により学習され, ホワイトニング変換により強化された, スタイル不変のフルフェイスモデルを用いて, Grad-CAMを介して, エリアアテンションスコアを抽出する2相設計を採用する。
これらのスコアはパッチベースのフェーズをガイドし、詳細な識別のためにメートル法学習で訓練された地域固有のサブネットを用いて局所分析を行う。
また、現実世界の状況下で収集された顔と変装顔の多様なデータセットを構築し、対象物、環境、変装素材のバリエーションをカバーした。
実験の結果、収集されたデータセットとSIW-Mv2の両方で強力な一般化が示され、収集されたデータセットでは8.97%のACERと9.76%のEER、難読化と偽装では0%のACER、SIW-Mv2のコスメティック攻撃では1.34%が達成された。
提案手法は,他のスプーフ型にまたがるロバストな性能を維持しつつ,従来よりも一貫して性能を向上する。
関連論文リスト
- Introducing Nylon Face Mask Attacks: A Dataset for Evaluating Generalised Face Presentation Attack Detection [4.370475817747562]
顔認識システムは、スマートフォン認証、アクセス制御、国境警備など、幅広いアプリケーションに展開されている。
これらのシステムはプレゼンテーションアタック(PA)に対して脆弱であり、信頼性を著しく損なう可能性がある。
我々は,Nylon Face Masks (NFMs) と呼ばれる,斬新で現実的な提示攻撃装置に着目した新しいデータセットを提案する。
NFMは弾性構造と外観のために特に関係しており、攻撃者が着用する際の被害者の顔の形状を忠実に模倣することができる。
論文 参考訳（メタデータ） (2025-11-11T11:13:12Z) - Explainable AI for Analyzing Person-Specific Patterns in Facial Recognition Tasks [11.507024850401754]
本稿では,個々のレベルでの認識に最も寄与する顔領域を識別する新しい手法であるレイヤ埋め込み活性化マッピング(LEAM)を紹介する。
LEAMは、これらのシステムの動作を理解するために設計された説明可能性技術であり、将来のプライバシー保護研究に影響を及ぼす洞察を提供する。
以上の結果から,顔認識モデルでは顔画像の中心領域が優先される一方で,複数の顔フラグメントに注意が分散していることが示唆された。
論文 参考訳（メタデータ） (2025-09-22T07:51:11Z) - Benchmarking Foundation Models for Zero-Shot Biometric Tasks [8.276938046158163]
基礎モデル、特にVLM(Vision-Language Models)とMLLM(Multi-modal Large Language Models)は、人工知能のフロンティアを再定義した。
本研究では,6つのバイオメトリック・タスクにわたる最先端のVLMとMLLMのゼロショット性能と少数ショット性能を評価するベンチマークを提案する。
実験により、これらの基礎モデルからの埋め込みは、様々な成功度を持つ多様な生体計測タスクに利用できることが示された。
論文 参考訳（メタデータ） (2025-05-30T04:53:55Z) - FaceShield: Explainable Face Anti-Spoofing with Multimodal Large Language Models [51.858371492494456]
対面防止(FAS)は、提示攻撃から顔認識システムを保護するために不可欠である。
現在、FASタスク用に特別に設計された、普遍的で包括的なMLLMとデータセットは存在しない。
FASのためのMLLMであるFaceShieldと、それに対応する事前学習および教師付き微調整データセットを提案する。
命令データセット、プロトコル、コードはまもなくリリースされます。
論文 参考訳（メタデータ） (2025-05-14T14:10:43Z) - Semantics-Oriented Multitask Learning for DeepFake Detection: A Joint Embedding Approach [77.65459419417533]
本稿では,セマンティクス指向のDeepFake検出タスクをサポートする自動データセット拡張手法を提案する。
また,顔画像とラベル(テキストによる記述で示される)を併用して予測を行う。
提案手法は,DeepFake検出の一般化性を向上し,人間の理解可能な説明を提供することで,ある程度のモデル解釈を行う。
論文 参考訳（メタデータ） (2024-08-29T07:11:50Z) - UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Improving Facial Landmark Detection Accuracy and Efficiency with Knowledge Distillation [4.779050216649159]
本稿では,知識蒸留法の開発を通じて,これらの課題に対処する新しいアプローチを提案する。
私たちの目標は、さまざまな条件下で顔のランドマークを正確に特定できるモデルを設計することです。
この手法は成功し、IEEE ICME 2024 PAIRコンペティションの参加者165人中6位に終わった。
論文 参考訳（メタデータ） (2024-04-09T05:30:58Z) - Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。
顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文 参考訳（メタデータ） (2023-10-18T14:49:54Z) - CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial
Expression Recognition [80.07590100872548]
本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。
CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
論文 参考訳（メタデータ） (2022-08-10T15:46:05Z) - 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)
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。