Field-Localized Forgery Detection for Digital Identity Documents

Resumen Técnico: Detección de Falsificaciones Localizadas por Campo para Documentos de Identidad Digital

Enunciado del Problema
Los sistemas de verificación de identidad digital, cada vez más utilizados para la incorporación remota en banca, fintech y telecomunicaciones, son vulnerables a manipulaciones localizadas de documentos de identidad. A diferencia de las imágenes naturales, los documentos de identidad poseen diseños estructurados que contienen campos semánticamente significativos (por ejemplo, fotografías faciales, datos de identidad textuales, texturas de seguridad). Los métodos existentes de detección de falsificaciones, desarrollados principalmente para la forense de imágenes naturales (por ejemplo, inserción de objetos, síntesis generativa), a menudo fallan al aplicarse a estos documentos estructurados. Carecen de la especificidad de dominio necesaria para manejar las características únicas de los campos de identidad y suelen degradar su rendimiento al procesar imágenes de documentos completos. Además, la dependencia de conjuntos de datos propietarios y de código cerrado en la industria limita la reproducibilidad y el desarrollo de soluciones abiertas, eficientes y específicas de dominio.

Metodología: El Marco FLiD
Los autores proponen FLiD (Detección de Falsificaciones de Documentos de Identidad Localizada por Campo), un marco ligero diseñado para tratar los documentos de identidad como colecciones estructuradas de campos semánticos en lugar de cuadrículas de imágenes homogéneas. El pipeline consta de tres etapas principales:

1. Localización de Campos de Identidad:

   • Se emplea un detector de objetos YOLOv8 ajustado finamente para localizar y extraer automáticamente regiones críticas de identidad: la fotografía facial y los campos de identidad textuales.
   • Este paso aborda la variabilidad estructural de los documentos de diferentes países y autoridades emisoras, garantizando una extracción consistente de regiones semánticamente relevantes independientemente del diseño del documento.
   • El detector fue entrenado con cajas delimitadoras anotadas manualmente del conjunto de datos para asegurar robustez frente a variaciones específicas de dominio.

2. Codificación de Características a Nivel de Campo:

   • Las regiones de rostro y texto extraídas se redimensionan a 224×224 y se pasan a través de una columna vertebral MobileNetV3-Small congelada (preentrenada en ImageNet-1K).
   • La columna vertebral genera incrustaciones compactas de 576 dimensiones para cada campo. Al congelar los pesos de la columna vertebral, el modelo evita el sobreajuste en los datos limitados de documentos de identidad, aprovechando al mismo tiempo las representaciones visuales ricas aprendidas durante el preentrenamiento a gran escala.
   • Este enfoque reduce significativamente la cantidad de parámetros entrenables en comparación con entrenar una columna vertebral completa desde cero.

3. Fusión y Clasificación Multicampo:

   • Para documentos que potencialmente contienen manipulaciones de múltiples campos, las incrustaciones de rostro y texto se concatenan para formar una representación unificada multicampo.
   • Un clasificador ligero de red neuronal de alimentación directa (5 capas totalmente conectadas con activaciones ReLU y dropout) procesa estas características concatenadas para clasificar el documento como auténtico o falsificado.
   • Toda la cabeza de clasificación contiene solo 191K parámetros entrenables, optimizados utilizando pérdida de entropía cruzada binaria con equilibrado de clases.

Contribuciones Clave

• Marco a Nivel de Campo Consciente de la Identidad: Un enfoque novedoso que modela explícitamente los documentos de identidad como composiciones estructuradas de campos semánticos, permitiendo un análisis de falsificaciones dirigido, distinto de los detectores generales de imágenes naturales.
• Módulo de Localización Semántica: La introducción de un módulo YOLOv8 ajustado finamente para detectar y extraer automáticamente regiones críticas de identidad (rostro y texto), facilitando un preprocesamiento consistente a través de formatos de documentos heterogéneos.
• Aprendizaje de Representaciones Ligero: Una estrategia de incrustación eficiente que utiliza una columna vertebral MobileNetV3-Small congelada, logrando un rendimiento de detección sólido con un costo computacional mínimo (191K parámetros y 21 veces menos FLOPs que la línea base).

Resultados Experimentales
El marco fue evaluado en el conjunto de datos FantasyID, un punto de referencia que contiene 362 diseños únicos de identificación con 1.086 imágenes auténticas y varios tipos de falsificación (solo rostro, solo texto y ataques combinados). El rendimiento se evaluó utilizando validación cruzada estratificada de 5 pliegues y métricas PAD de la norma ISO/IEC 30107-3.

• Ganancias de Rendimiento: FLiD obtuvo puntuaciones de Área bajo la Curva (AUC) de 0.880 (rostro), 0.954 (texto) y 0.923 (ataques de ambos campos).
• Reducción de Errores: El método redujo la Tasa de Error Igual (EER) en un 29.40% para ataques de rostro, un 35.65% para ataques de texto y un 35.34% para ataques combinados en comparación con una línea base MobileNetV2 entrenada desde cero sobre imágenes de documentos completos.
• Eficiencia Operativa: FLiD superó consistentemente a los detectores de manipulación de propósito general (TruFor, MMFusion, UniVAD) en todos los escenarios, requiriendo al mismo tiempo 13 veces menos parámetros y 21 veces menos FLOPs.
• Robustez: El modelo demostró una separabilidad de puntuaciones y una fiabilidad de clasificación superiores, particularmente en ataques de solo texto, donde la línea base funcionó cerca del azar (AUC ~0.54).

Significado y Afirmaciones
El artículo argumenta que la naturaleza estructural de los documentos de identidad requiere una estrategia de detección fundamentalmente diferente a la utilizada para imágenes naturales. Al centrarse en campos semánticamente críticos en lugar de procesar el documento completo indiscriminadamente, FLiD logra un equilibrio superior entre precisión de detección y eficiencia computacional. Los autores afirman que el modelado específico de dominio es esencial para la detección de falsificaciones de identidad digital, ya que los modelos de propósito general no logran generalizarse a escenarios de documentos estructurados. El marco propuesto ofrece una solución reproducible, de código abierto y computacionalmente eficiente, adecuada para su implementación en el mundo real en sistemas de verificación de identidad digital, especialmente en entornos periféricos donde la latencia y las limitaciones de recursos son críticas.

Limitaciones y Direcciones Futuras
Los autores reconocen que el sistema actual depende de representaciones de características visuales y no utiliza Reconocimiento Óptico de Caracteres (OCR) ni priores específicos del idioma. Si bien es efectivo contra las técnicas de manipulación actuales que introducen artefactos visuales (por ejemplo, inconsistencias de fuentes, límites de mezcla), el trabajo futuro busca explorar la fusión visual-lingüística multimodal para detectar ediciones semánticamente implausibles pero visualmente fluidas. Además, las direcciones futuras incluyen extender el sistema para producir mapas de manipulación a nivel de píxel para la localización e integrar técnicas de explicabilidad (por ejemplo, Grad-CAM) para mejorar la confianza operativa.