Domain Generalized Recaptured Screen Image Identification Using SWIN Transformer

越来越多的分类方法已经被开发出来，以应对保险欺诈、人脸欺骗和视频盗版中的标准攻击策略——图像重播和再捕捉。然而，大多数方法忽略了尺度变化和域泛化场景，表现不佳，尤其是在涉及域移位的情况下，通常由域内和跨域尺度差异更加严重。为了解决这些问题，我们在当前研究中提出了一个级联数据增强和SWIN transformer域泛化框架（DAST-DG）。首先，我们检查了数据集表示的差异。训练一个特征生成器，使来自各个域的真实图像无法区分。然后将此过程应用于重新捕获的图像，创建一个双重对抗学习设置。广泛的实验表明，我们的方法是实用的，并且在不同的数据库中超越了现有技术。我们的模型在高方差数据集上实现了约82%的准确率和95%的精度。

本论文旨在解决图像重播和再捕捉的问题，这是保险欺诈、面部欺诈和视频盗版中的一个常见攻击策略。同时，该论文还试图解决尺度变化和领域泛化情况下的问题。

论文提出了一个级联的数据增强和SWIN变换器领域泛化框架（DAST-DG），旨在通过训练特征生成器使不同领域的真实图像不可区分，然后将此过程应用于再捕捉的图像，创建一个双重对抗学习设置。

该论文的实验结果表明，该方法在不同数据库上优于现有的最先进方法，具有实用性。该模型在高方差数据集上达到了约82％的准确率和95％的精度。

在这个领域中，最近的相关研究包括“Learning to Learn Single Domain Generalization”，“Domain Generalization via Conditional Invariant Representation”，“Unsupervised Domain Generalization via Regularized Conditional Alignment”。