Исследователи проанализировали эффективность использования предобученных foundation-моделей в задачах обнаружения атак на системы распознавания лиц (Face PAD). Авторы оценили способность универсальных визуальных моделей адаптироваться к новым данным через линейное зондирование, что позволяет избежать обучения специализированных архитектур с нуля и повысить устойчивость систем к смене доменов и качеству входных данных.

Традиционные методы защиты от спуфинга (предъявления фотографий, видео или масок вместо живого лица) часто сталкиваются с проблемой деградации точности при переходе на новые наборы данных. Использование мощных визуальных энкодеров, обученных на огромных массивах неразмеченных данных, позволяет извлекать более качественные признаки, которые лучше обобщаются в условиях «cross-dataset» тестирования. Это снижает зависимость от специфических размеченных датасетов, которые часто ограничены по охвату.

В работе представлен унифицированный бенчмарк, который позволяет оценить, насколько эффективно современные foundation-модели справляются с классификацией подлинных лиц и попыток обхода системы. Результаты показывают, что даже простая линейная адаптация предобученных моделей превосходит многие специализированные решения, что открывает путь к созданию более надежных биометрических систем безопасности с меньшими затратами на сбор и разметку данных.

Ключевые факты

  • Исследование сфокусировано на проблеме Face Presentation Attack Detection (PAD) и влиянии доменного сдвига на точность моделей.
  • Предложен новый унифицированный бенчмарк для оценки foundation-моделей через метод линейного зондирования (linear-probing).
  • Анализ подтвердил, что универсальные визуальные модели обладают высокой способностью к обобщению признаков, критически важных для защиты от спуфинга.
  • Подход позволяет минимизировать потребность в узкоспециализированных размеченных данных, которые сложно собирать в больших объемах.
  • Работа направлена на преодоление ограничений существующих систем, которые показывают низкую надежность при работе с данными, отличными от обучающей выборки.