Key points are not available for this paper at this time.
Les méthodes existantes de généralisation de domaine pour la détection de contrefaçon faciale s'efforcent d'extraire des caractéristiques de différenciation communes pour améliorer la généralisation. Cependant, en raison de grandes divergences de distribution entre les visages contrefaits de différents domaines, il est difficile de trouver un espace de caractéristiques compact et généralisé pour les visages contrefaits. Dans ce travail, nous proposons un cadre de généralisation de domaine unilatéral de bout en bout (SSDG) pour améliorer la capacité de généralisation de la détection de contrefaçon faciale. L'idée principale est d'apprendre un espace de caractéristiques généralisé, où la distribution des caractéristiques des visages réels est compacte tandis que celle des faux est dispersée entre les domaines mais compacte au sein de chaque domaine. Plus précisément, un générateur de caractéristiques est entraîné pour rendre seuls les visages réels de différents domaines indistinguables, mais pas pour les faux, formant ainsi un apprentissage adversarial unilatéral. De plus, une perte triplet asymétrique est conçue pour contraindre les visages contrefaits de différents domaines à être séparés tandis que les réels sont regroupés. Ces deux points sont intégrés dans un cadre unifié de manière à permettre un entraînement de bout en bout, aboutissant à une frontière de classe plus généralisée, particulièrement adaptée aux échantillons de nouveaux domaines. La normalisation des caractéristiques et des poids est incorporée pour améliorer encore la capacité de généralisation. Des expériences approfondies montrent que notre approche proposée est efficace et surpasse les méthodes actuelles de pointe sur quatre bases de données publiques. Le code est mis en ligne.
Jia et al. (Mon,) ont étudié cette question.