DINO-VPT：针对联合物理数字人脸反欺骗的分层视觉提示调整

随着欺骗攻击的日益多样化，对能够检测物理和数字威胁的统一人脸反欺骗 (FAS) 模型的需求不断增长。虽然现有的视觉语言模型（VLM）在这方面表现出高度的泛化性，但它们严重依赖复杂的多模态融合和外部文本编码器。在本文中，我们提出了 DINO-VPT，这是一种利用分层视觉提示调整的轻量级、仅视觉的框架。通过通过提示路由网络（PRN）动态注入以输入特征为条件的提示，我们的方法有效地解开了各种欺骗伪影，而不需要多模态融合。对 UniAttackData 基准的评估表明，DINO-VPT 比最先进的基于 VLM 的方法具有更高的准确性。我们的结果表明，结构合理的纯视觉架构可以在统一 FAS 中实现最先进的性能，而无需多模态监督。