.png){kind=icon}
返回
Towards compression-aware iris presentation attack detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.image.2026.117636.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着生物特征识别系统在高安全性和大规模部署场景中的日益集成，确保其在现实操作约束下的鲁棒性变得越来越重要。这意味着需要设计能够抵御可能影响其完整性和责任制的潜在对抗性威胁的解决方案，同时还要考虑现实世界操作系统的需求，例如数据传输和存储中带宽和内存的有限可用性。因此，本研究探讨虹膜识别中的呈现攻击检测（PAD），评估基于Transformer的框架在检测依赖伪造或人工生物特征证据的欺骗攻击方面的有效性。更具体地说，我们关注图像压缩对虹膜图像质量以及由此产生的PAD性能的影响，考虑传统的技术（如JPEG）以及基于学习的下一代图像编解码器（如JPEG AI）。然后，我们通过在压缩图像上微调所采用的模型来检验缓解压缩引起的性能下降的可行性，对于在最低JPEG和JPEG AI质量下压缩的图像，在半总错误率方面实现了5%至10%的改进。我们还通过在训练时未考虑的基于学习的编解码器上测试所开发的解决方案来评估其泛化能力，以检查不同的压缩是否引入了相似的与PAD相关的伪影。此外，我们研究了由所使用的检测器生成的嵌入中的冗余，并证明可以在保持可实现的PAD性能的同时显著压缩它们。总体而言，本研究提供了虹膜PAD在压缩约束下的系统分析，为模型适应、跨编解码器鲁棒性以及在视觉数据编码发挥核心作用的场景中的表示效率提供了见解。
Keyword:
Biometrics
Iris recognition
Presentation attack detection
Image compression
Transformers
期刊
S
IF:
2.7
论文数:
123
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息