CPG-PAD：概念通知提示引导演示攻击检测

演示攻击检测 (PAD) 是人脸识别系统抵御打印照片、重播视频和 3D 面具等演示攻击的重要保障。尽管取得了重大进展，但由于传感器、照明和攻击材料的变化，现有的 PAD 模型仍然难以推广到未知领域。最近的视觉语言模型（VLM）显示出强大的泛化能力，但它们在 PAD 中的应用仍然有限，因为学习的提示（通常在类标签监督下优化）无法与细粒度攻击相关的视觉语义明确对齐。因此，学习到的表示通常会过度拟合特定领域的工件，而不是捕获可转移的攻击线索。为了解决这个问题，我们提出了概念知情提示引导演示攻击检测（CPG-PAD），这是一个将模型级概念指导引入提示学习过程的框架。具体来说，我们设计了一个视觉概念驱动的增强（VCE）模块，该模块采用可解释的人工智能（XAI）技术来自动发现与 PAD 相关的视觉概念并生成与概念相关的热图，提供本地化的细粒度指导。在这些热图的指导下，基于提示的概念注入 (PCI) 机制通过视觉提示解码器 (VPD) 和概念映射损失将这些概念集成到提示空间中，使提示能够与模型的内部概念空间保持一致。这种设计使 CPG-PAD 能够捕获可泛化且领域不变的攻击线索，同时有效抑制数据集特定的偏差。跨九个基准数据集的大量实验表明，CPG-PAD 在多源、有限源和单源设置下始终实现最先进的跨域性能。