基于记忆引导表征学习的跨域人脸防伪技术研究

为解决跨域人脸防伪（FAS）中因设备与环境差异导致的泛化能力不足问题，研究人员提出记忆引导表征学习框架（MGCR-MGMR），通过动态更新记忆库中的模板特征与元特征，实现未知域的高效表征。实验表明，该方法在“Leave One Out”设定下将平均半总错误率（HTER）降至10%以下，显著优于现有技术。

　　

人脸识别技术（AFR）已广泛应用于手机解锁、支付和门禁系统，但其面临打印照片、视频重放和3D面具等伪造攻击的威胁。传统人脸防伪（FAS）方法依赖手工特征（如LBP、HOG），易受噪声和环境干扰；而基于卷积神经网络（CNN）的模型在小数据集上易过拟合。尽管近期研究引入辅助数据（如rPPG信号、伪深度图）或域泛化（DG）策略，但跨域性能仍受限于特征正则化导致的信息丢失。例如，实例归一化（IN）虽能对齐域分布，却可能丢弃关键特征（如图1a）。

针对上述问题，陕西自然基金等项目支持的研究团队提出记忆引导表征学习框架，将FAS视为异常检测问题，假设真实样本为封闭集而伪造样本为异常。该框架包含两个核心组件：记忆引导聚类表征（MGCR）生成器和记忆引导映射表征（MGMR）分类器。MGCR通过动量更新机制动态存储源域的模板特征，并基于余弦相似度匹配未知域特征以生成泛化伪造图；MGMR则利用元特征的线性组合动态表征未知域统计特征（如图1c）。实验覆盖4个公开数据集，采用“Leave One Out”评估策略。

关键技术方法

1. 记忆库构建：初始化高斯噪声生成模板特征（MGCR）和元特征（MGMR），通过动量更新机制动态优化。
2. MGCR生成器：基于聚类思想匹配未知域特征至最近邻模板，结合模板损失约束增强类内一致性与类间区分度。
3. MGMR分类器：将未知域图像统计映射为已知元特征的线性组合，权重由余弦相似度决定。

研究结果

1. 传统方法局限：手工特征（如LBP）在跨域场景下表现不佳，CNN模型易过拟合。
2. MGCR有效性：模板特征聚类使生成器能捕捉跨域共享的伪造线索，可视化显示伪造图泛化性显著提升。
3. MGMR优势：动态线性组合策略有效桥接已知与未知域统计差异，分类错误率降低。
4. 整体性能：在跨域测试中，平均HTER<10%，优于现有DG方法（如对抗学习）。

结论与意义
该研究通过记忆机制分离不同域的潜在表征空间，避免了传统归一化（如BN、IN）的信息损失问题。MGCR-MGMR框架首次将动态记忆更新与线性组合策略结合，为跨域FAS提供了新思路。实验证明其泛化能力显著，尤其在设备与环境差异大的场景下。未来可探索记忆库的增量学习以适配更多未知攻击类型。论文发表于《Engineering Applications of Artificial Intelligence》，作者包括Pengchao Deng（第一作者）、Yanhui Zhou等，通讯单位为国内机构。