统一的实体与数字脸部攻击检测
内容提要
该文综述人脸识别安全研究，涵盖虚假检测、对抗攻击与防御。研究提出ViT统一架构，以约50%参数和58%延迟达到98.87%匹配准确率，并涉及随机贴片防御、跨模态物理攻击、光学噪声攻击3D人脸识别及元学习分类器检测假冒攻击等方法。
延伸解读
统一架构的效率优势
文章提出的ViT统一架构将虚假检测与匹配整合到一个模型中，在达到98.87%平均集成匹配准确率的同时，参数仅为SOTA顺序系统的约50%，延迟约为58%。这意味着在安全指纹识别等场景中，可以在保持高精度的前提下显著降低计算资源消耗和响应时间，有利于在边缘设备或实时系统中部署。
物理攻击的多样性与防御挑战
文章综述了多种物理攻击方式，包括对抗光投影攻击、跨模态对抗贴片攻击以及针对3D人脸识别的光学噪声攻击。这些攻击在白盒和黑盒设置下均能生效，且部分攻击所需的扰动较小、隐蔽性强。这提示人脸识别系统需要针对不同模态和物理条件设计防御策略，而非仅依赖单一防御手段。
防御策略的鲁棒性与泛化
基于随机贴片的防御策略在检测白盒攻击和自适应攻击方面优于传统方法，且易于实现，可推广至其他防御方法。这表明防御机制的设计应注重鲁棒性和可扩展性，以便适应不断演变的攻击手段。同时，元学习分类器在跨数据集协议上表现突出，说明利用图像固有属性进行检测有助于提升泛化能力。
Q&A
ViT统一架构在人脸攻击检测中的性能如何？
该架构实现了98.87%的平均集成匹配准确率，与最先进的顺序系统相当，但参数只有约50%，延迟只有约58%。
有哪些针对人脸识别系统的物理攻击方法？
包括基于深度学习的对抗光投影攻击、跨模态物理攻击（使用统一对抗性贴片欺骗可见光和红外探测器）、光学噪声攻击3D人脸识别系统等。
如何防御人脸识别系统的物理攻击？
一种基于随机贴片的防御策略被提出，相比深度神经网络具有更好的鲁棒性，在检测白盒攻击和自适应攻击方面性能优于传统防御方法，且易于实现和推广。
AdvGen是什么？它的攻击成功率如何？
AdvGen是一种自动化生成对抗网络，用于模拟打印和重放攻击，生成可以欺骗最新型PAD的对抗性图像，攻击成功率高达82.01%。
基于元学习分类器的方法在面部假冒攻击检测中效果如何？
该方法结合深度神经网络和元学习分类器，利用图像固有属性探测面部假冒攻击，在PAD领域最具挑战性的跨数据集协议上取得了超越最新成果的显著结果。
光学噪声攻击3D人脸识别系统有什么特点？
该攻击利用光学噪声，设计了端到端的攻击算法，成功攻击了基于点云和深度图的3D人脸识别算法，变形不可见且需要比先前的物理攻击更少的扰动。
