Advancing Cross-Domain Generalizability in Face Anti-Spoofing: Insights, Design, and Metrics

本文提出了一种新的方法，以增强零样本数据域泛化中的反欺骗性能。与传统的图像分类任务不同，面部反欺骗数据集显示出独特的泛化特征，需要新的零样本数据域泛化方法。在前一帧欺骗预测的基础上，我们引入了一种细致的度量计算，将帧级概率聚合为视频级预测，以解决报告的帧级准确性和实际使用中的不稳定性之间的差距。这种方法使模型预测的偏差和方差可以量化，提供了更精细的模型泛化分析。我们的研究表明，仅仅扩大模型的主干网络并不能从本质上改善上述的不稳定性，因此我们从贝叶斯的角度提出了一种集成主干网络的方法。概率集成的主干网络不仅可以提高模型的健壮性，而且可以利用测量不确定性的优势，在训练过程中进行增强采样，有助于模型在新数据集上的泛化。我们从基准OMIC数据集以及公共CelebA-Spoof和SiW-Mv2数据集中评估了所提出的方法。我们的最终模型在各个数据集上均优于现有的最先进方法，展示了在偏差、方差、HTER和AUC指标方面的进展。

本文旨在提高零样本数据领域泛化中的反欺诈性能，解决基于人脸反欺诈数据集的独特泛化特性所带来的挑战。

通过引入聚合帧级概率以进行视频级预测的细致度量计算，提高模型的稳定性和鲁棒性。同时，从贝叶斯角度提出了概率集成骨干方法，以提高模型的鲁棒性和推广性。

实验结果表明，该方法在OMIC数据集、CelebA-Spoof和SiW-Mv2数据集上的性能均优于现有的最先进方法，具有更好的偏差、方差、HTER和AUC指标。

相关研究包括：Zhang等人的《Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision》、Li等人的《Learning Generalized Spoof Cues for Face Anti-Spoofing》等。