Principles of Designing Robust Remote Face Anti-Spoofing Systems

保护人脸数字身份免受各种攻击是至关重要的，而面部反欺诈在这一努力中起着至关重要的作用。当前的方法主要集中在检测单个帧中的欺诈尝试，以检测表现攻击。然而，能够实时操作的超真实生成模型的出现增加了数字生成攻击的风险。鉴于这些不断出现的威胁，本文旨在解决两个关键问题。首先，它揭示了最先进的面部反欺诈方法在数字攻击面前的漏洞。其次，它提出了常见威胁的全面分类，这些威胁在面部反欺诈系统中经常遇到。通过一系列实验，我们展示了当前面部反欺诈检测技术的局限性，以及它们在新型数字攻击场景下的失败。值得注意的是，现有模型难以应对数字注入攻击，包括对抗性噪声、逼真的深度伪造攻击和数字重放攻击。为了帮助设计和实施强大的面部反欺诈系统，使其能够抵御这些不断出现的漏洞，本文提出了从模型准确性和鲁棒性到管道鲁棒性甚至平台鲁棒性的关键设计原则。特别是，我们建议使用主动传感器实施主动面部反欺诈系统，以显著降低未知攻击向量的风险并改善用户体验。

本论文旨在解决人脸反欺诈技术在面对数字攻击时的脆弱性问题，并提出针对数字攻击的设计原则。

本文提出数字攻击的威胁和常见类型，并针对数字注入攻击、逼真深度伪造攻击和数字重放攻击等进行了实验，揭示了当前人脸反欺诈技术的局限性。同时，本文提出了从模型准确性和鲁棒性、管道鲁棒性甚至平台鲁棒性等方面的设计原则，以实现强大的人脸反欺诈系统。

本文提出了数字攻击的分类和实验设计，揭示了当前人脸反欺诈技术的局限性。同时，本文提出了从多个方面的设计原则，以实现强大的人脸反欺诈系统。

相关研究包括：《Learning Face Anti-Spoofing from Scratch》、《Deep Learning-based Spoofing Detection: A Survey》、《A Survey of Face Anti-Spoofing》等。