+v：Mala2255do-FAL生成域适配for面部防欺骗周倩玉1AWE、张柯岳2、太平瑶2、冉毅1、科开盛2、首红鼎2丹李庄马11上海交通大学、上海、中国2优图实验室、腾讯、上海、中国{周前屿、然一}@sjtu.edu.cn，ma-lz@cs.sjtu.edu.cn{兹克耶张，太平遥，绍尔生，爱立施丁}@tencent.com摘要。基于非监督的面部防欺骗（FAS）方法域适应（UDA）有一个对目标场景承诺性能的贡献增长注意力。最现有的UDA FAS Meth-ODS类型适合通过对准目标域的训练模型分布的语义高水准的特点。 豪韦弗、不足之处无标记目标域的超视和低级特征对齐的忽略降低了现有方法的性能。向他们致词问题、we普罗波塞a小说透视报的宇田法斯that将目标数据直接贴合到模型上，i.e.，将目标数据样式化到源域斯泰尔维亚图像翻译、和弗瑟饲料the样式化的数据进入the韦尔-特雷尼德来源模型为分类。 The建议生成域适应（GDA）框架组合二注意全设计一致性约束：1）域间神经统计一致性指南缩小域间差距的生成器。 2）双层语义一致性恩苏雷斯山the语义品质的风格化图像。 贝赛得斯、we普罗波塞域内频谱米克乌普到弗瑟前pand目标数据分布到安全广义和减少域内盖普。 延伸实验和可视化方式展示我们的方法对抗艺术状态的有效性方法。关键词：面部防欺骗，无监督域适应性1导言人脸识别（FR）技术[12.35，71，114.45，80]在身份认证产品上有beenwidely utilized，e.g.、智能手机登录、访问控制、etc。在最近的一年里，FR系统很容易受到正面陈述攻击（PA）的影响，e.g.、打印照片、视频重播和etc。去保护suchFR系统来自瓦里奥乌斯面陈述进攻、面反欺骗行为（FAS）∗等贡献。在✉W ork多内杜林安我n特尔恩希普atY欧图实验室、T恩斯nt. 科伦布尔丁作者。arXiv：2207.10015 v2[cs.CV]2022年9月+v：Mala2255do-FAL2Q.周等人艾尔。无花果。 1：Conventional宇田法斯方法泰皮卡利原力the模型飞度到the目标数据通过跨域执行高级别特征对齐。低层次特征对齐无效影响的保留、缺失监督与忽视the区别对待能力的法斯模特们。 因斯特德、we艾姆到directly飞度目标数据以反向方式通过高级别进入经信源训练的模型和低水平的对齐。 比生成来源-风格图片和用训练有素的模型预测，我们不改变地地址它们的问题模型吸引力大注意。Nowadays，基于手工特色[2.55，16.37，88]、和深度学习特征[13.44，61.97，101.47，102]，scenarios内数据集中的several方法实现承诺绩效。当他们适应真实场景中的目标域时，他们都从性能降解中消失了。杜伊到the域盖普阿克罗斯差速器域。对改进广义，基于域广义化（DG）和无监督域适应（UDA）的FAS方法有提出跨领域的塞纳里奥斯。 豪韦弗、DG法斯阿普罗阿切斯[68.31，69,49.48，9.111]只在训练阶段利用SEN数据，在目标数据的形成中利用Fich Fail，在不满意的表现中的那些结果目标域。 阿尔索夫宇田法斯方法[77.40.76，32，66，107.72]利用标记源域和未标记目标域来桥域间隙，他们最典型的通过调整语义高级特征的分布来匹配目标域的模型，就像在Fig中显示的那样。1 (a)，不遵守FAS任务的具体情况。一手抓，自已是优胜劣汰监督的the目标领域、管接头到资讯科技梅伊涅维塔布利影响来源模型的判别能力。在另一只手，就像被涂掉了一样[34]、低级特征对FAS任务来说是至关重要的。Thus，The Bobove Towards-基于唯一高级别特征的目标分布对齐may不是UDA最可容纳的方式法斯。到地址the阿博夫问题、we普罗波塞a小说透视报的非监督域适应性(UDA)为面反欺骗行为(FAS)。 差速器来自使模型适合目标数据的现有方法，我们希望将目标数据直接适合良好训练模型，保持源训练模型不变，美国肖恩在无花果。 1(b)。 到阿基耶韦夫苏奇配件、we雷福尔穆拉特the FAS中的非监督域适应（UDA）作为域样式化问题，以源域样式来样式化目标数据，并且样式化的数据是Futher Fed进入the韦尔-特雷尼德来源模型为分类。 在这工作、we亲─+v：Mala2255do-FAL···生成域适配for面反欺骗行为3姿势代域适应性(GDA)框架联合二照顾性设计一致性约束。具体的，我们现在的域间神经统计一致性（NSC）引导生成器产生来源-样式图片、惠希全员阿利尼斯山the目标特写统计学与the来源一博思高水准的和低水平、和纳罗斯the域间盖普高效。贝赛得斯、到梅廷泰因the语义品质和生活信息的the目标数据使风格化过程，我们引入了一个双重层次的语义一致性（DSC）在适当的图像水平和特征水平。Moreover，域内频谱混合（SpecMix）是指进一步扩展目标数据区，以确保生成器could正确地翻译未完成的目标域。到the来源-风格域。 到the贝斯特的我们知识、这is the揭示UDA图像翻译潜力的第一件工作法斯。我们的主要贡献可以被总结为关注：We普罗波塞a小说透视报的不受监督的域适应性为通过图像用源域样式对目标数据进行样式化直接将目标数据适配到源模型的面反欺骗翻译。为了保证风格化，我们现在是生成域适应框架联合与二有爱心的设计一致性约束条件、域间神经统计一致性（NSC）和双层次语义一致性（DSC）。并且域内频谱混频（SpecMix）被表示将进一步扩展目标数据分布以实现安全推广。扩展实验和可视化展示效果我们提出的反对技术水平的方法竞争选手。2相关的工作面部防欺骗。人脸防欺骗（FAS）aims检测人脸图像车轮从真实人物或变异人脸呈现攻击[4，10，7，8]。先锋沃克斯乌蒂利泽手工艺的特点到塔克尔这问题，苏奇美国SIFT [62]、LBP [2,55,16]、和猪[37.88]。从不同领域利用信息的七种方法，就像HSV和YCrCb颜色空间[2，3]、时态主[70，1]、和傅立叶谱[43]。具有二值分类的CNN对FAS模型的最近近似杠杆[1344.611万]或附加监管，e.g.、 深度地图[97]、反射作用地图[101]和r-ppg信号[47.27]。 其他废臭氧消耗物质采用[102.52]和自定义操作员[98.96，6]去改进表演。在数据集内设置中的Despite良好结果，它们在目标域上的每共振峰仍然下降重要度对大域是正确的轮班。跨域人脸防欺骗。去改进下面的表演the跨领域的设置、域泛化作用(DG)[41.39 ， 106.57] is 引 入 FAS 任 务 。 Nevertheless ， DG FAS 方 法[68.31，69.49，48.9，111]把样本映射到共同特征空间并锁定特定点的信息the温塞恩领域、伊涅维塔布利雷苏尔丁在不尽人意的工厂结果。 在真实世界应用中遵守未标记目标数据的可用性，several works基于无监督域适应捕获上述问题(UDA)+v：Mala2255do-FALΣΣ4Q.周等人艾尔。方法。伪标签上的UDA FAS主要接力的最近研究[66.54]、对抗式学习[40,77,76,32]或最小化域离散度[32.40]进入窄域转移。保持，他们仍然从未标记目标域的不足监督，将负转移引入源模型。Besides，最作品主要关注高级语义特征的排列，过度关注低级特征，因为它是基本的。任务。 在对比、we艾姆到地址these二问题为宇田法斯。非监督域适应。非监督域适应（UDA）在标记源域之间架起域转移的aims并解除-贝勒目标域。最近方法关注对抗学习[17.73，63.56]，自我训练[115116.14，84]、一致性规整化[11,108,109,112]，原型对准[85,103,33]，特征分隔膜[82.5，110]和图像泛化[24，21.94，93.53，30.105，20.26，25]。 德斯皮特its格拉蒂维英进步、苏奇范例的“模型拟合到数据”对于FAS任务在真实世界场景中对不同领域的丰满度来说是不实用的。Besides，《来源模型的区别能力》，这将影响重新培训。 在相反的情况下，我们提出了一种新的JET实用方法，该方法将目标数据适配到源模型，保持源模型未被改变。到最好的我们的知识，这是第一个工作那揭秘者the波特蒂亚尔的图像翻译为宇田法斯。3方法学3.1概览在宇田FAS、we哈夫阿克塞斯到the标签来源领域、面额面额的美国丁s={（x s第，y s）|x s⊂RH×W× 3第，y s∈【0，1]，以及未标记的目标域，面额面额的美国丁t={（x t）|xt⊂RH×W × 3。 雷加尔丁that不足之处监督和内格莱克特的低水平的特写定位仪在普雷维奥乌斯宇田法斯阿普罗阿切斯铅到劣质性能，我们有动机在高、低级特征对齐上进行表演，并使目标数据在一个反向的方式下适合模型。我们的训练包含两个阶段：使用源域的第一阶段仅用于训练FAS模型，包含一个特征提取器F、一个分类器H中，一个深度估计器R;域适应的第二阶段。拖拖拉拉的阶段，只有图像发生器G它是优化的，和其他源模型与一个伊马赫内特预先训练的VGG模块ϕ阿雷固定杜林the适应。无花果。 2秀the工装裤全球发展局框架。 We艾姆到斯泰利泽the未加标签的目标域到源样式的域，使未标记的目标数据适合the来源车型、那么that the韦尔-特雷尼德模型做不极品到be改变了。为了减轻域内间隙，输入的图像首先在连续uous频率空间通过域内频谱混频（SpecMix）向产品增强图像多样化。现在，翻译生成器将原作和版本中的目标图像转换为源式图像。到提取来源的风格信息，以指导图像翻译，我们匹配生成的统计数据从the来源-风格图片与索塞存储来源统计学在the预先训练的+v：Mala2255do-FAL我=12乙我乙生成域适配for面反欺骗行为5无花果。2：生成域适应框架概述。信源训练模型的参数是固定的during适应。给未标记的目标数据，我们只优化生成器的参数G。第一，我们生成的多样化目标图像通过域内频谱混频（SpecMix）、thus增强生成器的广义能力G在桥梁域内盖普。 Then，域间神经统计一致性(NSC)全员匹配生成特征统计与存储一个在高水平和低水平，它减轻域间差距。Thus，TheTransled Images可以再-泰因the来源风格。 弗瑟莫尔、we引言双水平的语义一致性(DSC)到安苏雷内容保持性和预防形式语义失真域间神经统计一致性（NSC）via模型，thus桥接了域间差距。终结，到保留目标内容和预防语义失真到一代人，我们在特征层次和形象上表现出一种双重层次的语义一致性（DSC）关卡。3.2代域适应性域间神经统计一致性。 批次常态化（国阵）[29]诺尔马利泽斯伊奇输入特写威辛a迷你批量生产在a钱纳尔-怀斯曼纳尔那么产量为零均值和单位方差。莱特乙和{z我}乙德诺特the迷你批量大小和批量规范化的输入特征，尊重。国阵层的关键是计算一批明智的统计数据，e.g.、米安斯在和变种σ2小批处理的特点：乙乙在※1Σx，σ2※1Σ（x我=1我=1-在），（一）我+v：Mala2255do-FAL。Σ|⊂LL∈{}LsssstatLs˜s2s˜s2l=16Q.周等人艾尔。在the第一相的培训F美国米奥德尔斯、t he来源统计学在¯n+1和σ¯n+1ssat步n +1阿雷exponential移动平均的that at步n与a比率α：在¯n+1=（一）-α）在¯n+α在nsss（二）。σ¯n+1Σ2=（一）-α）（σ¯n）2+α（σn）2We观察者that苏奇神经统计学[67.29]的the来源特点存储在经过良好训练的FAS模型为低级和高级特征提供了适当的监督，它可以代表特定领域的样式，并可以完全使用帮助UDA中的分配排列。保留，前置方法只使用高层层的输出特征来进行分配排列，而无法充分使用低层特征中丰富和有区别的活感，这对FAS任务至关重要。Thus，given those存储国阵统计、wecan埃西里埃斯普马特斯the来源-s t伊尔分布丁s˜，何地丁s˜=（xs˜）xs˜=G（xt）RH×W×3。无数据知识蒸馏的启发[95]、我们对此表示赞同域间神经统计一致性损失Lstat去匹配特长统计学贝特韦恩the跑步平均数在¯s˜，跑步五阿里安塞斯σ¯s˜的the来源-s t伊尔数据丁s˜和the存储统计s在¯s，σ¯s的来源米奥德尔斯米，t h美国桥接the我n特-定义域差距：L=1Σ。▲在¯l-在¯l▲+▲σ¯l-σ¯l▲Σ（三）何地l 1，2、……，L达诺特斯层l在源训练模型中，包含特征提取器F中、分类器H中，和深度估计器R。由损失引导的stat中，我们库尔德近似了存在类似样式的源样式域the来源域。 差速器来自[95] that生成器图像内容来自一个输入的随机噪声，我们NSC使用BN统计对齐一成不变地约束样式输入图像内容。双层次语义一致性。到保留语义内容到形象翻译，我们的承诺a双层次语义一致性论博思特征水平和图像水平到康斯特拉姆the内容。论the特写乐五埃尔、地理标志五恩the代来源-s t伊尔图像xs˜和the奥里格-伊纳尔目标图像x t作为一种投入，一种可感知的损失每是存在于图像生成预训练VGG模块的潜在特征上的ϕ《thus》缩小了两者之间的每一种重复差异他们：ϕ12Lpe r（xs˜，xs）=CHW∥ϕ（xs˜）-ϕ（xt）∥2（四）保持，忍受空间中的这种感知损失不是很强大到安苏雷语义一致性。这is梅因利贝考乌斯the拉坦特特征是深度编码的，一些重要的语义提示可能会丢失。多重前维厄斯沃克斯[36.64，60.19，22.94，93]萨格斯特that the傅里叶转型从一域到另一种只影响the amplitude、但是不the相的泰尔+v：Mala2255do-FALΣΣL⟨在·∥FHWph值s˜t∥ F（xt）j∥2·∥F（xs˜）j∥2ttA（x）（u、五）=ΣR2（x）（u、五）+我2（x）（u、五）Σ1/2ttR（x t）（u、五）tttx（h、w）e（五）h =0w=0生成域适配for面反欺骗行为7频谱，相位成分在奥里吉纳尔的内容中保留最多的地方信号、怀勒the波幅成分梅因利孔泰纳斯斯泰尔斯。 和灵感来源于[93]、we康西德explicitly牛角尖the语义不一致性比使人联想到相is保留前和后the图像翻译。 为a单通道图像x中，its傅立叶变换F（x）is拟定的：H-1W-1-j2πhu+w五就像这样，我们确认了原作之间的阶段一致性目标图像x t和the来源-s t伊尔图像xs˜乙y最小化the福尔奥翼损失Lp h：L（x，x）=-Σ⟨ F（xt）j，F（xs˜）j在j（六）何地，是点数产品，而且2是L2诺姆。那Eq的笔记。（六）是原始相和生成相之间的负余弦距离。Therefore，通过最小化ph值我们可以直接最小化他们在傅里叶谱和保持相位上的像级差分一致性。域内频谱混音。 吉文the未加标签的目标数据、we观察者那个发电机能很好地表现在对立面的错误上域内域斯皮夫茨阿克罗斯差速器目标子集。 If培训只论the目标域的seen训练子集和测试在目标域的非seen测试子集上，源式域的图像质量could是低渴望的。就这样，我们希望能学到更多的稳健生成器G在多变的环境变化下，e.g.、发光，颜色。从早到晚的寻找[36.64，60.19，22.94，93.86]揭秘那个阶段的帐篷在信号的傅立叶谱中保留最主要的内容，在振幅主容域特定的样式时，我们保留内容的年代就保留了多样化的，但在连续频率中保留了新的样式太空。贯穿FFT算法[59]、我们可以有效计算傅里叶反式格式F（x t）及其逆变换F-1（x t）目标图像的x t∈丁t通过Eq。5. 幅度和相位组件是按公式计算的：P（x）（u、五）=阿尔克坦Σ我（xt）（u、五）Σ，（七）何地R（x t）和我（x t《真实与想象的部分》（x t）、尊重。为RGB图片、the傅里叶转型为伊奇渠道is计算机非报复性地得到相应幅度和相位部件。灵感来自[99.86]、we引言域内频谱米克乌普（SpecMix）比线性内插作用贝特韦恩the波幅频谱的二任意的im-阿吉斯xk，xk′来自the同unla乙埃莱德目标域丁t：ttAˆ（xk）=（一）-λ）A（xk）+λA（xk′），（八）F（x）（u、五）=+v：Mala2255do-FAL啊。tCtΣΣΣt8Q.周等人艾尔。何地λ U（0中，η），以及超参数η控制增强的力量。混合幅度谱与原相位是进一步组合的频谱到重建a新傅里叶代表：F（xˆk）（u、五）=Aˆ（xk）（u、五）∗e-j∗ P（xk）（u、五），（九）ttwhich将Fourier逆变换加到内插生成图片：xˆk=F-1【F（xˆk）（u、五）]。这提出域内频谱米克乌普is画报在无花果2. 比用新的样式和连续频率空间中的原始内容引出认识的步骤，我们库尔德斯坦没有发现目标样品。向前递送给发电机的各种不同的图像G《广义的能力》阿克罗斯差速器子集威辛the目标域库尔德be弗瑟增强了。3.3总体目标和优化熵损。最小化标号概率的Shannon熵在正常的UDA任务中，错误的贡献是有效果的。[58.74，83，65.75]。在这篇论文中，我们通过分类器和深度估计器计算熵损失，尊重。总熵损失是用研究的L恩特= L恩特1+L恩特2。L恩特1=Σ--p c（xs˜）·罗g（p c（xs˜））在c =1CHW（十）L恩特2=--rc（xs˜）（h、w）·罗g（rc（xs˜（h、w）））在c=1h =1 w=1总损失。杜林《适应过程》、《源模型参数》F，H R和VGG模块ϕ它是固定的，我们只优化生成器的参数G。总损失额L共计是认识损失的加权和职能：L共计= Lstat+ L每+ λ恩特L恩特+ λph值Lph值，（十一）何地λ恩特，λ ph值，阿雷the称重科埃菲西恩茨为the损失L恩特，Lph值尊重。4实验在这部分、we第一迪斯克里贝the实验设置在节4.1,将其纳入基准数据集和the实施详情。 Then，在节4.2,we demonstrate the有效性的我们提出方法比较到the最先进的水平阿普罗阿切斯和相关的沃克斯论多源性斯塞纳里奥斯和单源场景。下，在部分4.3,我们行为消融研究调查each成分在方法中的作用。最后，我们提供了更多的可视化和分段分析4.4以揭秘建议的洞察力方法。+v：Mala2255do-FAL生成域适配for面反欺骗行为9无花果。3：ROC曲线对比艺术状态FAS方法第1表：FAS方法在四项测试中的技术水平比较域4.1实验设置数据集。我们利用FAS研究中使用广泛的四个公共数据集来评估我们方法的有效性：OULU-NPU [4]（面额为O）、CASAI-MFSD [104]（以C计价），Idiap重播攻击[10]（以I计价），以及MSU-MFSD [81]（面额为M）。严格遵循与上位UDA FAS方法相同的协议[79.78.32.77，54]，我们使用源域来训练源模型，使用目标域的训练集来适应，使用目标域的测试集来推断。半总误差率（HTER）和曲线下面积（AUC）作为评价指标使用[68]。实施细则。我们的方法是通过24号上的PyTorch实施的G英伟达3090TiGPU。我们使用与现有工作相同的骨干[49，48]。注我们没有使用任何领域通用化技术但只是一个二元类的精简损失和一个深度损失使第一阶段。我们提取RGB通道图像，其中输入尺寸是256 × 256 × 3.在第二阶段，Coeffi-Cients λ ph值和λ恩特设定为0。01和0。01尊重。发电机G [113] is受训与the亚当优化器与a学习速率的1e-4。方法奥&C&我到米HTER（%）AUC（%）奥&米&我到CHTER（%）AUC（%）奥&C& M to我HTER（%）AUC（%）我&C& M to奥HTER（%）AUC（%）艾达[81]66。627。855。139。028。378。254。244。6LBPTOP[15]36。970。842。661。549。549。553。144。0LBP女士[55]29。778。554。244。950。351。650。249。3彩色纹理[3]28。078。430。576。840。462。763。532。7二进制CNN [87]29。282。834。871。934。465。829。677。5辅助性（全部）[51]--28。4-27。6---辅助（深度）[51]22。785。833。573。129。171。630。177。6MMD-AAE[42]27。083。144。558。231。575。140。963。0马德格[68]17。688。024.584.522。184。927。980。0区域调频管理[69]13.893.920.288.117.390.416.491.1+v：Mala2255do-FAL10Q.周等人艾尔。表2：与非监督域适应的比较（HTER）方法方法丙、→我丙、→米我-→C我-→米M-→CM-→我平均阿达[73]41。836。627。633。4---18。114。39。3-9。09.249。835。142。036。2---36。733。230。5-29。025.839。028。927。1---49。610.117。7-16。813.335。236。835。4---49。633。35。1-3。03.439。638。136。8---40。526。120。3-17。916.3DRCN[18]44。448。9杜普-甘[28]42。446。5奥克斯利亚里[50]27。628。4去恶搞[34]28。541。1斯塔斯恩[92]31。530。9杨等。 [89]49。239。6酷刑[40]39。226.3艾达[76]17。541。6佩皮-法斯[54]18。930。1DR-UDA[77]15。634。2美元-联合国[32]16.030.2乌尔斯15.15.829.720.812.22.514.4表3：与无源域适应的比较方法方法奥&C&我到米HTER（%）AUC（%）奥&米&我到CHTER（%）AUC（%）奥&C& M to我HTER（%）AUC（%）我&C& M to奥HTER（%）AUC（%）阿达布恩[38]20。588.034。572。027。780。328.280.8帐篷[75]20.188.035。071。227。279。628。380。7斯丹[23]17。790。025.981.328.284.232。975。0射击[46]15。087。620.184.340.257.825。378。2G-SFDA[90]37.567.838.967.232.673.640.463.7核管制委员会[91]15.087.447.852.422.182.326.678.8佩皮-法斯[54]18。2-25.5-20.0-17。5-SDA-FAS[78]15.491.824.584.416.492.023.184.3乌尔斯9.298.012.293.010.096.014.492.64.2比较到the最先进的水平方法在FAS任务中验证面向目标领域的广义能力，we表演二实验设置的宇田FAS、i.e.， 多源性做主适配和单源域适配，尊重。多源适应中FAS方法的比较。作为一个展示在表1和无花果。3、我们的方法超越了所有的技术状态FAS方法在四个挑战基准下，鞭笞了我们方法的效果。常规FAS方法[81.15.55.3，87，51]不参与人学习跨域不变的表示和显示无意愿的性能。Besides，Almost dg FAS方法[42.68.31.69，48.49]为概括、在不满意的表现中进行综述而锁定一个明确的目标方向在目标域中。我们的方法与Signif-Icant改进在both HTER和AUC中的所有方法都有差异。A Few da Proproaches [79,78,15]在这种多源设置下执行实验，当他们都是直接的模型适合目标域与不足的监督和忽视低级特征适应，领先不可得的结果。在对比中，我们的方法在四个挑战基准中以一个较大的差距优于他们。单源适应中FAS方法的比较。要做成一个费尔比较到the正常宇田阿普罗阿切斯在the法斯任务、we阿尔索行为+v：Mala2255do-FAL→→生成域适配for面反欺骗行为11无花果。4：t-SNE可视化差异消融中的特征研究表4：四中each成分的消融基准单源场景中的实验，源模型是在单源域中预先训练的。从餐桌上2、值得注意的是，我们建议的方法是什么秀优势安德四的the六适应性设置和实现最佳平均HTER结果。在一些困难的适应任务中，e.g.、我C、和MC，我们可以实现对最先进方法的竞争结果。感兴趣，我们找到了表上有结果的东西2胜过餐桌1. We猜猜the理is that当培训论多源性领域、样式分布很复杂，很难开动稳定发电机G、领先到劣质的表现。Instead，简单样式分布的只有一个源域的训练是一个更好的生成器G。比较到the相关的SFDA方法。 表3现在the compari-儿子结果与无来源的域适应性（SFDA）阿普罗阿切斯在四多源场景。如果我们能看到，如果我们直接适应SFDA的最新技术方法到the法斯任务、the性能阿雷少得可怜。 为例举、某些未经监督/自我监督的技术效用伪标签[54]、内格博尔胡德聚类作用[91.90]、恩特罗皮山最小化[46.75]和元学习[78]减小源预训练模型与未标记目标之间的域间隙域。 The玩理由阿雷两折。 1）阿尔莫斯特所有的泰姆做不充分利用资源领域知识存储在预先训练的模型中，which是not富尔菲西恩为特写对齐。 2）他们拉尔盖利内格莱克特the域内目标域自身的差距，不做局中人在变异环境变化下学习更稳健的域不变表示目标。在对比中，我们用显性的方式表达了他们的两个问题，并在他们的挑战中展示了站出来的改进基准。4.3消融作用研究在这部分、we表演消融作用实验到调查报the each分量的有效性，包含域间神经统计一致性（NSC），域内频谱米克乌普（SpecMix）、双水平的语义一致性（DSC）。身份证基线NSC DSC斯佩克米克斯奥&C&我到米赫特尔AUC奥&米&我到C赫特尔AUC奥&C& M to我赫特尔AUC我&C& M to奥赫特尔AUC我✓---29.277.832.776.419.485.827.180.9二、✓✓--20.089.028.779.717.388.421.184.9+v：Mala2255do-FAL12Q.周等人艾尔。表5：超参数效应η斯佩克米克斯(a) 光谱效应（η）关于我们提出的O上模式的训练&C&我到米(b) 效果的斯佩克米克斯（η）论the关于Idiap的良好训练FAS模型的推论(I)η00.10.20.30.40.5赫特尔14.19.210.010.010.010.0AUC92.098.097.997.897.397.2η00.10.20.30.40.5赫特尔000000.4AUC10010010010010099.9有效性的伊奇成分。 表4秀the消融作用研究的伊奇四种不同设置中的组件。基线均值直接将目标图像提供给源训练的FAS模型进行预测，结果与77。8%，76。4%，85。8%，80。9%AUC，尊重O& C&我到M，O&米&我对C，O& C&我到我，还有我&C& M到O，设定。通过添加NSC，我们将AUC性能提升到89。0%，79。7%，88。4%，和84。9%，Respec-Tively。 莫雷奥弗、比加法DSC、we效果阿基耶韦夫92。0%，90。8%，91。5%，和90。7%，尊重。 最终、我们提出斯佩克米克斯效果因克雷亚斯山表演到98。0%，93。0%，96。0%，92。6%论四标杆、尊重。These改进里韦亚尔the有效性和the互补性的我们所建议的间接成分接近。Thet-SNE可视化处理的特点。 到理解如何全球发展局框架对特征代表进行定位，我们利用t-SNE可视化特征的不同贡献，这些不同贡献来自于源和目标数据集。就像在无花果里秀一样。4 (a)，我们观察到源数据可以通过二进制分类很好地加以区分，however，the目标数据can不be良好分类的贝特韦恩the雷亚尔和法克脸无域适应。来自Fig。4(b)，增加NSC，分类界限贝科梅斯更多克莱尔但是there阿雷斯蒂尔索姆桑普莱斯错误分类的在决策边界附近，主要的原因是它对形象内容的约束拖住了一代人。就像这样，通过在Fig中添加DSC。4 (c)，上述问题适用于某些人。通过桥接Fig中的域间间隙和域内间隙。4 (d)，我们的方法管理，以了解两个类别之间的更好决策边界，以及不同领域之间的目标特征，使其更加紧密。对准。讨论论SpecMix. 雷加尔丁that斯佩克米克斯库尔德代新中的风格连续频率空间、资讯科技资讯科技自然的到问塞维拉尔问题：威尔斯佩克米克斯变化the凯特戈里杜林the适应？ 威尔混合波幅信息影响the面生活？ We行为塞维拉尔实验到答the问题。我们使用一个超参数的注η去控制膨胀的力量在我们的光谱里。高η引导到一个大的上界比，以混合来自同一批次的另一幅图像的振幅与当前图像的那一幅图像。（一）。在餐桌上5 (a)，我们调查其影响η关于我们建议的GDA框架的培训。During theadaptation，如果我们设置了，我们就会找到那个η =0，惠惠平均域内差距被忽视，表现不完美。中频测距η来自0.1到0.5, the表演变化阿雷非常斯莱特比较到the贝斯特+v：Mala2255do-FAL生成域适配for面反欺骗行为13无花果。 5：可视化处理的the目标图像xt和the来源-s t伊尔图像xs˜无花果。 6：S p奥的详情在the目标图片xt和来源-s t伊尔图片xs˜一当设置η =0。1，但还是取得了最先进的成果。（二）。就像在桌子上炫耀一样5 (b)，我们研究敏感性η杜灵是一个训练有素的人的推论法斯模型论伊迪亚普重复的攻击数据集。 If ranging η来自0.1到0.4、there阿雷不表演变化、和当η =0.5，the效果is斯蒂尔斯莱特。来自these二方面、we集η = 0。1在所有实验、和安德苏奇案件，我们认为那些混合幅度不会影响脸生活。4.4可视化和分析可视化方式的代图片与来源斯泰尔斯。 到弗瑟探索在风格化目标图像中whether生成器成功与否x t致a代图片xs˜that普雷塞五冰thet阿尔奇t公司n特nt与the来源s t伊尔、we可视化我环境下的适应性知识&C&我对O。 就像在无花果里秀一样。5、在我们建议的国家安全委员会的帮助下，没有马特尔他们的脸是什么是，真面目还是假面目，源域之间的风格差异和目标域是成功的卡普图雷德发电机，惠希伊尔卢斯特拉茨我们建议的NSC的效力。Besides，就像在Fig秀一样。6、语义一致性，揭示恶搞细节，e.g.、莫尔格局、纸反射，原始目标图像和伪源图像之间保持得很好，惠希德蒙斯特拉特斯the有效性的我们提出DSC.+v：Mala2255do-FAL14Q.周等人艾尔。无花果。7：可视化处理的域离散性（MMD和国阵variance）的特点跨域离散的可视化。就像在无花果里秀一样。7 (a)、we测量跨域的最大均值离散度（MMD）。仅信源面额直接向信源模型传递测试图像，没有任何域适应技术。比较只源，我们的模型有效减少MMD在浅块和深块，在浅块的特殊，wich确认that我们的框架成功地将目标图像翻译成源式图像。在无花果里。7 (b)，我们可视化曲线each BN层的均值离散度和方差离散度。尽管我们可以看到，如果在测试阶段直接向源模型提供目标图像，BN在源和目标之间的均值变化（红色曲线）比我们的域适应方法（黄色曲线）大很多。 我们的方法有效预防这种错位特征。从Fig来的Besides 7 (c)，我们观察者that将源图像提供给源模型（蓝色曲线）在BN中的方差变化与that用我们的GDA（黄色曲线），which米安斯that我们国阵统计学效果阿利格恩与the来源一个。5会合在这工作、we雷福尔穆拉特宇田法斯美国a域造型风格化问题，在经过良好训练的模型中寻找适合目标数据的目标，而不改变MOD-ELS。 We普罗波塞代域适应性(GDA)框架与第七职业生涯设计部件。第一、we现在安域间神经静态-tic一致性(NSC)到指南the发电机生成the来源-风格域。Then，we引言a双水平的语义一致性(DSC)到预防the语义 失 真 的 基 因 生 成 。 最 后 ， 我 们 设 计 了 一 种 域 内 频 谱 混 合（SpecMix），以减少域内间隔。带分析的扩展实验演示了我们提出的有效性接近。确认：这项工作是中国国家重点研发计划支持的（2019YFC1521104），国家自然科学基金（72192821 、61972157 ）、上海市科技重大专项（2021SHZDZX0102）、上海科健委（21511101200，22YF1420300）、纳科社科基金艺术重大项目（I8ZD22）。+v：Mala2255do-FAL生成域适配for面反欺骗行为15参考资料1. 宝、W.、 李女士、H.、 李女士、N、 江某、W.： A生活检测方法为面基于光流场的识别。中：国际图像分析会议和信号处理。pp. 233-236.IEEE（2009）2. Boulkenafet，Z.，科穆莱宁，J.，哈迪德，A。：基于颜色纹理分析的人脸防欺骗。在：IEEE图像处理国际会议（ICIP）。pp. 2636-2640. IEEE（2015年）3. Boulkenafet，Z.，科穆莱宁，J.，哈迪德，A。：用颜色纹理分析进行人脸欺骗检测。关于信息取证和安全的IEEE交易(TIFS) 11（8），1818-1830（2016）4. Boulkenafet，Z.，科穆莱宁，J.，李、L。、冯、X。、哈迪德，A。：欧鲁-npu：一个带有真实世界变化的莫-比勒面演示攻击数据库。中：第12届IEEE自动人脸国际会议&手势识别（FG 2017）。pp. 612-618. IEEE（2017年）5. 常、W.L。、王、H.P。、彭、W.H。、Chiu，W.C。：关于结构的一切：跨域适应结构信息以增强语义分割。中：IEEE/CVF计算机视觉和模式识别（CVPR）会议会刊。pp. 1900-1909（2019）6. 陈、S。、姚、T、张、K.Y。、陈、Y。、孙、K、丁、S。、李、J。、黄、F、Ji，R。：三维掩模人脸呈现攻击检测的双流框架。中：IEEE/CVF计算机视觉国际会议会刊（ICCV）。pp. 834-841（2021）7. 陈、Z。、李、B、吴、S。、徐、J。、丁、S。、张，W。：形状事项：可变形补丁进攻。 在：欧洲会议论计算机视觉（ECCV）（2022）8. 陈、Z。、李、B、徐、J。、吴、S。、丁、S。、张，W。：用视觉变压器走向实用认证补丁防御。在：IEEE/CVF关于计算机视觉和模式识别（CVPR）的参考论文集。pp. 15148-15158（2022）9. 陈、Z。、姚、T、生、K、丁、S。、泰，Y.，李、J。、黄、F、Jin，X。：混合域人脸防欺骗的基因可消除表示学习。在：美国AAAI人工智能会议（AAAI）的临会议（Pro-Ceedings）。卷。35、pp。1132-1139（2021）10. 钦戈夫斯卡，I.，安乔斯，A.，马塞尔，S。：论局部二值模式在面部防欺骗中的有效性。中：国际生物计量学特别利益小组会议。pp. 1-7. IEEE（2012）11. 崔、J。、金、T、Kim，C。：用基于gan的数据增强进行自集成，以便在语义分割中进行域适应。入：《IEEE/CVF学报》国际计算机视觉会议（ICCV）。pp. 6830-6840（2019）12. 邓、J。、郭、J。、薛、N。、Zafeiriou，S。：弧面：加性角边际损失用于深层人脸识别。中：IEEE/CVF计算机会议会刊视觉与模式识别（CVPR）。pp. 4690-4699（2019）13.
