Deep Learning für Gesicht-Anti-Spoofing: Eine Umfrage

Gesicht-Anti-Spoofing (FAS) hat in letzter Zeit aufgrund seiner entscheidenden Rolle bei der Sicherung von Gesichtserkennungssystemen gegen Präsentationsangriffe (PAs) zunehmende Aufmerksamkeit erhalten. Mit der Entstehung immer realistischerer PAs mit neuartigen Typen werden frühe FAS-Methoden, die auf handgefertigten Merkmalen basieren, aufgrund ihrer begrenzten Repräsentationsfähigkeit unzuverlässig. Mit dem Aufkommen großangelegter akademischer Datensätze im vergangenen Jahrzehnt erzielt FAS, das auf tiefem Lernen basiert, bemerkenswerte Leistungen und dominiert dieses Gebiet. Bestehende Übersichten in diesem Bereich konzentrieren sich hauptsächlich auf die handgefertigten Merkmale, die veraltet und wenig inspirierend für den Fortschritt der FAS-Community sind. In diesem Papier präsentieren wir, um zukünftige Forschungen anzuregen, die erste umfassende Übersicht über die jüngsten Fortschritte im FAS, das auf tiefem Lernen basiert. Es umfasst mehrere neuartige und aufschlussreiche Komponenten: 1) neben der Überwachung mit binären Labels (z. B. '0' für bonafide gegen '1' für PAs) untersuchen wir auch aktuelle Methoden mit pixelweiser Überwachung (z. B. pseudo Tiefenkarte); 2) zusätzlich zur traditionellen Intra-Datensatz-Evaluierung sammeln und analysieren wir die neuesten Methoden, die speziell für Domänenverallgemeinerung und Open-Set-FAS entwickelt wurden; und 3) neben kommerziellen RGB-Kameras fassen wir die Anwendungen des tiefen Lernens unter multimodalen (z. B. Tiefe und Infrarot) oder spezialisierten (z. B. Lichtfeld und Blitz) Sensoren zusammen. Wir schließen diese Umfrage, indem wir aktuelle offene Fragen betonen und potenzielle Aussichten hervorheben.