FaceCat: Enhancing Face Recognition Security with a Unified Generative Model Framework

面部反欺诈（FAS）和对抗检测（FAD）被视为确保人脸识别系统安全的关键技术。由于它们的实用性和泛化性有限，一些现有方法旨在设计一个能够同时检测这两种威胁的框架来应对这一挑战。然而，这些方法仍然面临着泛化不足和鲁棒性不足的挑战，可能是由于判别模型固有的缺陷所致。受面部生成模型丰富的结构和详细特征的启发，我们提出了FaceCat，它利用面部生成模型作为预训练模型来提高FAS和FAD的性能。具体而言，FaceCat精心设计了一个分层融合机制来捕捉生成模型的丰富面部语义特征。这些特征然后作为一个轻量级头部的稳健基础，设计用于同时执行FAS和FAD任务。由于仅依赖单模态数据往往会导致性能不佳，我们进一步提出了一种新颖的文本引导多模态对齐策略，利用文本提示来丰富特征表示，从而提高性能。为了公正评估，我们建立了一个综合协议，涵盖了28种攻击类型以进行性能基准测试。广泛的实验验证了FaceCat的有效性，它的泛化性能明显更好，并且对输入转换具有很好的鲁棒性。

本文旨在解决人脸识别系统中面部反欺诈（FAS）和对抗性检测（FAD）的问题。现有方法存在泛化能力不足和鲁棒性不佳的问题，因此本文提出了一种利用面部生成模型作为预训练模型来提高FAS和FAD性能的方法。

FaceCat利用面部生成模型的结构和细节特征，设计了分层融合机制来捕捉生成模型的丰富面部语义特征，并将其作为轻量级头部的稳健基础，从而同时执行FAS和FAD任务。此外，还提出了一种新颖的文本引导多模态对齐策略，使用文本提示来丰富特征表示，从而提高性能。

本文使用广泛的28种攻击类型来构建综合协议以进行公平评估，实验结果表明FaceCat具有更好的泛化能力和对输入变换的优异鲁棒性。此外，本文还提供了开源代码。

近期的相关研究包括“Deep Learning for Face Anti-Spoofing: A Survey”、“Face Anti-Spoofing Based on Patch and Depth-Based Features”等。