Исследователи проанализировали эффективность адаптации фундаментальных моделей (FM) для задач обнаружения атак на системы распознавания лиц (PAD). Выяснилось, что популярный метод LoRA (Low-Rank Adaptation) недостаточен для обеспечения устойчивости моделей при смене условий съемки или сенсоров. В кросс-датасетных тестах точность систем падает с почти идеальной до случайной, что указывает на критические пробелы в текущих подходах к дообучению.
Проблема заключается в том, что фундаментальные модели, обученные на общих визуальных данных, не всегда способны уловить специфические артефакты, характерные для попыток обхода биометрической защиты, таких как использование масок, распечаток или цифровых изображений. Использование только низкоранговой адаптации не позволяет модели полноценно перестроиться под новые домены данных, сохраняя при этом обобщающую способность.
Авторы работы подчеркивают, что для создания надежных систем безопасности недостаточно просто «подкрутить» веса модели через LoRA. Требуются более глубокие методы адаптации, которые учитывают вариативность освещения и аппаратных характеристик камер. Без этого системы распознавания лиц остаются уязвимыми при переносе из лабораторных условий в реальную эксплуатацию.
Ключевые факты
- Метод LoRA демонстрирует высокую эффективность внутри одного датасета, но теряет точность при кросс-доменном тестировании.
- При смене условий освещения или типа сенсора производительность моделей снижается до уровня случайного угадывания.
- Фундаментальные модели требуют более сложных стратегий адаптации, чем простое дообучение низкоранговых слоев для задач PAD.
- Исследование подтверждает, что текущие методы переноса знаний из FM не гарантируют устойчивость систем биометрической защиты в неконтролируемых условиях.