西红柿、土豆和洋葱：质疑人脸呈现攻击检测中人脸的必要性

面部呈现攻击检测 (PAD) 传统上被表述为特定于面部的问题，尽管打印、重放和重新捕获过程引入的许多视觉伪影并不与面部外观本质上相关。在这项工作中，我们研究了在下游 PAD 训练期间是否可以在不使用人脸的情况下学习可转移的 PAD 表示。为此，我们引入了 TPO，这是一个受控的无脸演示攻击数据集，由几乎随机选择的西红柿、土豆和洋葱的真实、打印和重播记录组成，这些记录是根据与传统面部 PAD 数据集密切相关的协议获取的。使用基于基础模型的 PAD 架构，我们证明在 TPO 上训练的检测器在四个标准跨数据集人脸 PAD 基准上的平均 AUC 达到 92.70%，优于合成人脸训练，并与在真实人脸数据集上训练的模型保持竞争力。相反，在人脸 PAD 数据集上训练的模型始终高于 TPO 的迁移率，这表明学习到的表示捕获了表示过程的特征，而不是对象语义。此外，将 TPO 纳入传统的人脸 PAD 训练中，可以在固定优化预算下持续提高跨数据集性能，这表明无脸数据提供了补充信息，而不仅仅是额外的训练样本。最后，表示和频率分析提供了进一步的证据，表明可转移的 PAD 表示不能用单个频谱伪影来解释，而是编码跨对象类别共享的更丰富的表示线索。总之，这些结果提供了经验证据，表明可转移的演示攻击表征可以独立于面部内容进行学习，为隐私保护和身份无关的 PAD 开发提供了新的机会。