Foundation Models for Face Presentation Attack Detection: A Unified Linear-Probing Benchmark

📄 arXiv: 2607.26993v1 📥 PDF

作者: Peter Lorenz, Anjith George, Sébastien Marcel

分类: cs.LG

发布日期: 2026-07-29

备注: accepted at IJCB 2026

💡 一句话要点

提出统一线性探测基准以提升人脸呈现攻击检测能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人脸识别 攻击检测 预训练模型 线性探测 跨数据集评估 计算机视觉 深度学习

📋 核心要点

  1. 现有的人脸呈现攻击检测方法在跨数据集评估中表现不佳，领域转移导致模型性能下降。
  2. 本文提出了一种统一的线性探测协议，系统评估多种冻结编码器，以探索预训练模型在PAD任务中的有效性。
  3. 实验结果显示，冻结的基础模型在数据集内表现良好，但跨数据集转移性能有限，提示需进行显式适应。

📝 摘要（中文）

人脸呈现攻击检测（PAD）在跨数据集评估中仍然面临挑战，领域转移会降低在单一数据集上训练的模型性能。由于大规模标注数据的稀缺，研究者们探索了预训练视觉模型的适应性，而非从头开始训练特定任务的架构。本文系统评估了24个冻结编码器，包括自监督视觉变换器、视觉语言编码器和监督卷积神经网络，采用统一的线性探测协议在MCIO基准上进行测试。结果表明，冻结的基础模型表示能够支持强大的数据集内PAD性能，但这种性能在跨数据集时并不可靠转移。尽管模型规模在多个家族中是有益的，但其影响并非单调，并受到架构和预训练的强烈调节。

🔬 方法详解

问题定义：本文旨在解决人脸呈现攻击检测在跨数据集评估中性能下降的问题。现有方法通常在单一数据集上训练，导致模型在不同数据集上表现不佳。

核心思路：研究者通过系统评估冻结的预训练视觉模型，探讨其在PAD任务中的有效性，采用线性探测方法以最小化任务特定训练的需求。

技术框架：整体架构包括冻结的基础模型和一个轻量级的线性分类头。通过在MCIO基准上进行评估，研究者比较了不同编码器的性能。

关键创新：最重要的创新在于使用统一的线性探测协议，系统性地评估多种预训练模型在PAD任务中的表现，揭示了基础模型在PAD相关信息的编码能力。

关键设计：研究中使用了多种冻结编码器，包括自监督视觉变换器和监督卷积神经网络，评估了它们在数据集内和跨数据集的性能，并分析了模型规模对结果的影响。实验中还考虑了准确性与计算开销的权衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，冻结的基础模型在数据集内的PAD性能表现优异，InternViT-6B模型实现了最低的平均数据集内错误率，而CLIP ViT-B/32在跨数据集转移与计算开销的权衡中表现最佳。这些发现强调了预训练表示在PAD任务中的潜力，但也指出了显式适应的必要性。

🎯 应用场景

该研究的潜在应用领域包括人脸识别系统的安全性提升、金融交易的身份验证以及智能监控系统等。通过提高人脸呈现攻击检测的准确性，可以有效防止欺诈行为，增强系统的安全性和可靠性。未来，该方法可能推动更广泛的应用，尤其是在需要高安全性的场景中。

📄 摘要（原文）

Face presentation attack detection (PAD) remains challenging under cross-dataset evaluation, where domain shift degrades models trained on a single dataset. The scarcity of large-scale labeled data motivates adapting pretrained vision models rather than training task-specific architectures from scratch, raising a fundamental question: do general-purpose vision foundation models encode PAD-relevant information accessible with minimal task-specific training? To investigate, we systematically evaluate 24 frozen encoders, including self-supervised vision transformers, vision-language encoders, and supervised CNNs, using a unified linear-probing protocol on the MCIO benchmark (MSU-MFSD, CASIA-FASD, Replay-Attack, OULU-NPU). The backbone remains fixed, and only a lightweight linear head is trained to isolate the PAD information already present in the pretrained representation. %We report intra- and cross-dataset performance, along with accuracy-compute trade-offs, relative to two specialist PAD baselines. Results show that frozen foundation-model representations can support strong intra-dataset PAD performance with only a linear classifier, but this performance does not reliably transfer across datasets. Model scale is beneficial within several families, although the effect is not monotonic and is strongly mediated by architecture and pretraining. InternViT-6B achieves the lowest mean intra-dataset error, whereas CLIP ViT-B/32 offers the most favorable cross-dataset transfer-compute trade-off among the evaluated probes. These findings suggest that while pretrained representations contain PAD-relevant information, explicit adaptation remains necessary to address domain shift.