리허설 없는 효율적인 지속적 학습을 통한 교차 도메인 얼굴 안티 스푸핑

얼굴 안티 스푸핑(FAS)은 새로운 공격 유형과 매체에 의해 지속적으로 도전받고 있으며, 따라서 FAS 모델은 지속적 학습 동안 훈련 데이터에 대해 이전에 학습한 스푸핑 지식의 파국적 망각(CF)을 완화하는 것뿐만 아니라 잠재적인 스푸핑 공격에 대한 모델의 일반화 능력을 향상시키는 것이 중요하다. 본 논문에서는 기존의 파국적 망각 전략이 FAS에서 스푸핑 정보의 무시할 수 없는 특성에 잘 맞지 않으며, 일반화 능력을 향상시키는 데 초점을 두지 않음을 강조한다. 그 후, 일반화된 스푸핑 텍스처 정보를 추출하여 저사례 데이터로 효율적으로 미세 조정하기 위한 비전 트랜스포머(ViT)용 가중 앙상블 전략을 갖춘 인스턴스별 동적 중심 차이 합성곱 어댑터 모듈을 제안한다. 더욱이 FAS에서의 파국적 망각은 ViT의 서로 다른 지속적 세션 간의 일관성 없는 주의 행렬을 통해 반영될 수 있으며, 주의 행렬은 서로 다른 패치 토큰 간의 스푸핑 단서의 관계를 구현한다. 따라서 우리는 주의 정확성을 유지하기 위해 주의 행렬을 학습하고 재사용하는 주의 일관성 정규화를 도입하여 파국적 망각을 완화한다. 마지막으로, 우리는 새로운 프로토콜을 고안하고 보지 못한 도메인에서의 파국적 망각 완화 및 일반화의 우수한 성능을 검증하기 위해 광범위한 실험을 수행한다. 코드와 프로토콜 파일은 https://github.com/RizhaoCai/DCL-FAS-ICCV2023 에서 공개된다.