纯视觉模型在人脸防伪基准测试中达到SOTA

研究人员开发了一种新的人脸防伪（FAS）纯视觉基线，与现有的多模态方法相比，该基线在性能和效率上均表现出色。该研究系统地对15个预训练视觉模型进行了基准测试，发现像DINOv2 with Registers这样的自监督模型在捕捉细微的欺骗线索方面特别有效。当结合特定的数据增强技术和损失函数时，这种纯视觉方法在具有挑战性的跨领域FAS协议上取得了最先进的结果，即使在数据受限的条件下也是如此。 AI

影响 优化了纯视觉模型在安全应用中的性能，可能降低面部识别系统的计算成本。

排序理由 学术论文，详细介绍了计算机视觉领域的新方法和基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• APL
• Attention-weighted Patch Loss
• DINOv2
• Face Anti-Spoofing Data Augmentation
• FAS-Aug
• Limited Source Domains
• MICO
• Mika Feng
• Patch-wise Data Augmentation
• Progressive Democrats of America

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →