双注意力人脸活体网络

域泛化更稳

针对LDCformer提出的三种新型训练策略，通过粗细粒度监督和自挑战样本强化活体特征判别力，并利用过渡三元组挖掘维持跨域时活体/欺骗特征的过渡关系，从而提升模型泛化能力。

Huang, Peikai · Jun-Xiong, Chong · Ming-Tsung, Hsu · Fang-Yu, Hsu · 79904544 · 79904545 · Hsu, Chiouting

Pattern Recognition 2026

技术优势

双注意力指导提升判别力

通过区域活体/欺骗注意力图指导网络学习更细粒度的活体特征，从而增强对真假人脸的区分能力。

自挑战监督增强鲁棒性

通过生成具有挑战性的训练样本（如困难负样本），强化特征判别力，使模型在更严苛条件下仍能可靠工作。

跨域泛化更强

过渡三元组挖掘在缩小跨域差距的同时保留活体与欺骗特征间的过渡关系，显著提升了模型对未见域的适应能力。

策略可迁移至其他架构

这三种训练策略不限于 LDCformer，可应用于其他网络架构以提升性能，适用范围广。

应用场景

• 活体检测：用于人脸核身、刷脸支付等场景，在真实攻击下稳健地区分活体与照片、视频、面具等欺骗。
• 生物特征识别安全：作为生物特征安全的核心防线，防止伪造人脸通过认证，保障系统安全。
• 视觉Transformer模型：将可学习描述卷积与 ViT 结合，利用长程依赖建模提升视觉判别特征，为后续研究提供新范式。
• 跨域泛化：在训练阶段注入跨域不变性，使模型部署到新环境时无需大量重训仍保持高精度。