.png){kind=icon}
返回
CPG-PAD: Concept-Informed Prompts Guided Presentation Attack Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/tifs.2026.3711854.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
幻像攻击检测（PAD）作为人脸识别系统对抗幻像攻击（如打印照片、回放视频和3D面具）的关键安全措施。尽管取得显著进展，现有PAD模型仍因传感器、光照和攻击材料差异而在未见领域泛化受限。近期视觉-语言模型（VLMs）展现出强泛化能力，但其在PAD中的应用受限，因所学提示通常在类别标签监督下优化，未能与细粒度攻击相关视觉语义显式对齐，导致所学表征易过拟合领域特定伪影而非捕获可迁移攻击线索。为解决此问题，我们提出概念感知提示引导的幻像攻击检测（CPG-PAD）框架，将模型级概念引导引入提示学习过程。具体而言，设计视觉概念驱动增强（VCE）模块，利用可解释人工智能（XAI）技术自动发现PAD相关视觉概念并生成概念关联热力图，提供局部细粒度指导。在热力图引导下，基于提示的概念注入（PCI）机制通过视觉-提示解码器（VPD）和概念映射损失将概念整合至提示空间，使提示与模型内部概念空间对齐。该设计使CPG-PAD能捕获泛化性和领域不变攻击线索，同时有效抑制数据集特定偏差。跨九个基准数据集的广泛实验表明，CPG-PAD在多源、有限源和单源设置下均取得当前最佳跨域性能。
Keyword:
Presentation attack detection
explainable AI
domain generalization
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
Grad-CAM++: Generalized Gradient-Based Visual Explanations for Deep Convolutional NetworksGrad-cam: 基于广义梯度的深度卷积网络视觉解释
OAAI
OAAI分享收藏
On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释.png)
PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏分享收藏
查看更多内容