DINOFAS: Bonafide-Centric Representation Learning for Face Anti-Spoofing

📄 arXiv: 2611.02756v1 📥 PDF

作者: Shakeel Muhammad Ibrahim, Muhammad Sohail Ibrahim, Muhammad Shahid Jabbar, Shujaat Khan

分类: cs.CV, cs.AI, eess.IV

发布日期: 2026-11-02

备注: 11 pages, 5 figures

💡 一句话要点

提出DINOFAS框架以解决面部反欺诈中的数据集特定问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 面部反欺诈 表示学习 低秩适应 双分支架构 抗欺诈技术 深度学习

📋 核心要点

  1. 现有的面部反欺诈模型往往依赖于特定数据集的线索，导致在新环境下性能下降。
  2. DINOFAS框架通过真实样本中心的表示学习，结合低秩适应和注意力样式内容解耦模块，提升了模型的泛化能力。
  3. 在多项实验中，DINOFAS在未见领域和真实世界数据集上表现优异，平均HTER和AUC均优于其他方法。

📝 摘要（中文）

面部反欺诈（FAS）模型通常学习特定于攻击和数据集的线索，这在未见的采集条件和呈现攻击下会降低性能。我们提出了DINOFAS，一个基于DINOv3的框架，将FAS形式化为以真实样本为中心的表示学习。该框架结合了低秩适应的DINOv3适应、用于减少领域特定外观变化的注意力样式内容解耦模块，以及将原型基础的活性学习与攻击语义监督分开的双分支架构。模型通过真实样本中心的原型目标、应用于分离特征的攻击语义分类损失和正交正则化进行联合优化。DINOFAS在标准OCIM留一领域外协议下实现了9.09%的平均HTER，并在合成到真实的泛化评估中表现出色。

🔬 方法详解

问题定义：本论文旨在解决面部反欺诈（FAS）模型在未见采集条件和攻击下性能下降的问题。现有方法往往依赖于特定数据集的线索，导致泛化能力不足。

核心思路：DINOFAS框架将FAS视为以真实样本为中心的表示学习，通过结合低秩适应和注意力样式内容解耦模块，减少领域特定的外观变化，从而提升模型的鲁棒性和泛化能力。

技术框架：DINOFAS的整体架构包括三个主要模块：低秩适应的DINOv3适应模块、注意力样式内容解耦模块，以及双分支架构，分别处理原型基础的活性学习和攻击语义监督。模型通过真实样本中心的原型目标和攻击语义分类损失进行联合优化。

关键创新：DINOFAS的主要创新在于其将FAS问题重新定义为以真实样本为中心的表示学习，并通过双分支架构有效分离了活性学习与攻击监督，显著提升了模型的泛化能力。

关键设计：模型采用了低秩适应技术以提高参数效率，同时引入了正交正则化以增强特征的独立性，损失函数包括真实样本中心的原型目标和攻击语义分类损失，确保模型在多种条件下的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DINOFAS在标准OCIM留一领域外协议下实现了9.09%的平均HTER，并在合成到真实的泛化评估中，针对四个未见真实世界数据集达到了21.41%的最低平均HTER和86.14%的最高平均AUC，显示出显著的性能提升。

🎯 应用场景

DINOFAS框架具有广泛的应用潜力，特别是在金融、安防和智能设备等领域的面部识别系统中。其提升的抗欺诈能力可以有效防止身份盗用和欺诈行为，增强用户信任。未来，该技术可能会进一步推动智能监控和人机交互等领域的发展。

📄 摘要（原文）

Face anti-spoofing (FAS) models often learn attack- and dataset-specific cues that degrade performance under unseen acquisition conditions and presentation attacks. We present DINOFAS, a DINOv3-based framework that formulates FAS as bonafide-centric representation learning. The proposed framework combines parameter-efficient DINOv3 adaptation using low-rank adaptation (LoRA), an attention style-content disentanglement (ASCD) module for reducing domain-specific appearance variations, and a dual-branch architecture that separates prototype-based liveness learning from attack-semantic supervision. The model is jointly optimized using a bonafide-centric prototype objective, an attack-semantic classification loss applied to detached features, and orthogonality regularization. DINOFAS achieves an average HTER of 9.09\% under the standard OCIM leave-one-domain-out protocol, where training is performed on three source datasets and evaluation is conducted on the held-out unseen domain. We further evaluate synthetic-to-real generalization by training exclusively on SynthASpoof and testing on four unseen real-world datasets, where DINOFAS achieves the lowest average HTER of 21.41\% and the highest average AUC of 86.14\% among the compared methods. Evaluations on OULU-NPU and SiW-Mv2 additionally demonstrate robustness to variations in acquisition conditions, devices, and unseen presentation attacks.