Quando i morph sembrano migliori: la qualità delle immagini del volto come segnale senza addestramento per rilevare gli attacchi di morphing

Abstract degli autori

La valutazione della qualità delle immagini del volto (FIQA) stima l’utilità di un’immagine del volto per il riconoscimento facciale automatizzato ed è stata proposta come segnale per rilevare gli attacchi di morphing (MAD) che non richiede un addestramento specifico per i morph. Valutiamo 17 metodi FIQA appartenenti a tutte le categorie FIQA attualmente esistenti su 20 insiemi di attacchi di morphing tratti da due dataset, FRLL e FEI, compresi cinque insiemi di attacchi basati sulla diffusione. Ogni punteggio di qualità viene usato direttamente come punteggio decisionale per il MAD. A differenza dei lavori precedenti, che invertivano una misura di qualità quando ciò ne riduceva l’errore, fissiamo in anticipo la direzione del punteggio di ciascun metodo sulla base della sua definizione, in modo che restino visibili i casi in cui i morph ricevono un punteggio di qualità superiore rispetto ai campioni autentici. Su FRLL, DifFIQA(R) raggiunge un D-EER medio dell’11,42% e, insieme a CLIB-FIQA ed eDifFIQA(L), supera nettamente tutti gli altri metodi FIQA. Una netta separazione tra i punteggi dei campioni autentici e quelli dei morph non implica buone prestazioni di rilevamento: negli attacchi basati sulla diffusione, fino a 11 metodi su 17 assegnano ai morph un punteggio di qualità superiore a quello dei campioni autentici, e la maggiore separazione invertita osservata nello studio coincide con il peggior risultato di rilevamento dello studio. Le prestazioni dipendono anche fortemente dall’attacco: GraFIQs(L), il miglior rilevatore di DCMorph e Arc2Morph su FRLL, ha prestazioni scarse sugli attacchi basati su landmark e su GAN. Su FEI, il D-EER medio più basso è del 39,75% e una soglia fissata sui dati autentici di un dataset non si trasferisce all’altro.