Architectural Bias in Face Presentation Attack Detection: A Comparative Study of Vision Transformers and Convolutional Neural Networks

Resumen Técnico: Sesgo Arquitectónico en la Detección de Ataques de Presentación Facial

Planteamiento del Problema
Los sistemas de Detección de Ataques de Presentación (PAD) facial son críticos para asegurar la autenticación biométrica, pero sufren un sesgo demográfico sistemático que afecta desproporcionadamente a las personas con tonos de piel más oscuros. Este sesgo es estructural, derivado de la subrepresentación en los conjuntos de datos de entrenamiento y de las propiedades físicas de la adquisición de imágenes, donde la piel más oscura refleja significamente menos luz que la piel más clara. Si bien trabajos recientes utilizando métodos clásicos (por ejemplo, Patrones Binarios Locales con preprocesamiento consciente de la etnia) han demostrado que el sesgo puede mitigarse, sigue siendo una cuestión abierta si los modelos arquitectónicamente avanzados, específicamente los Vision Transformers (ViTs), pueden lograr una equidad comparable o superior. A diferencia de las Redes Neuronales Convolucionales (CNN), que dependen de patrones de textura locales y son conocidas por estar sesgadas hacia la textura sobre la forma global, los ViTs utilizan la autoatención de múltiples cabezales para capturar relaciones globales. Este estudio investiga si la arquitectura DeiT-S (Data-efficient Image Transformer Small) reduce inherentemente el sesgo demográfico en la detección de ataques de presentación en comparación con las líneas base de CNN.

Metodología
El estudio realiza una investigación empírica comparativa en el conjunto de datos CASIA-SURF Cross-Ethnicity Face Anti-Spoofing (CeFA), que incluye 1,607 sujetos de los grupos étnicos africano (AF), de Asia Oriental (EA) y de Asia Central (CA). El marco de evaluación se adhiere a los protocolos de validación estadística establecidos en trabajos previos [6], empleando la prueba de significancia de McNemar y el remuestreo de bootstrap.

Se evaluaron cuatro modelos:

1. Línea base LBP + SGD: Un modelo clásico consciente de la equidad que utiliza Patrones Binarios Locales multiescala con umbrales de decisión específicos por grupo (resultados trasladados de [6]).
2. ResNet18 CNN: Una línea base de CNN estándar preentrenada en ImageNet y ajustada finamente en CeFA.
3. Multimodal ViT-Tiny (desde cero): Un modelo de transformador entrenado desde cero en el conjunto de datos CeFA para probar la equidad inherente de la arquitectura sin preentrenamiento.
4. DeiT-S: Un Vision Transformer preentrenado (pesos de ImageNet) ajustado finamente en CeFA.

Todos los modelos utilizaron un preprocesamiento idéntico consciente de la etnia (CLAHE y corrección de gamma adaptativa) para aislar los efectos arquitectónicos. La evaluación incluyó métricas estándar de PAD (Precisión, APCER, BPCER, ACER, EER, AUC) y métricas de equidad, específicamente la brecha de precisión interétnica y el rendimiento de generalización zero-shot en el grupo demográfico no visto de Asia Central (CA).

Resultos Clave

• Rendimiento General: El modelo DeiT-S logró la mayor precisión general (97.27%) y la menor Tasa de Error Igual (0.86%), superando significativamente a la línea base ResNet18 (90.15% de precisión, 1.90% EER).
• Equidad Demográfica (Grupos Vistos): El DeiT-S redujo la brecha de ACER interétnica entre los sujetos africanos y de Asia Oriental al 0.13%. Esto representa una reducción del 83% en comparación con la brecha del 0.75% reportada en el estudio basado en LBP [6]. En contraste, el modelo ViT-Tiny entrenado desde cero exhibió una disparidad de 3.3 veces en las tasas de error entre estos grupos, resaltando la inestabilidad de los transformadores no preentrenados en conjuntos de datos pequeños.
• Generalización Zero-Shot: El hallazgo más significativo concierne a la generalización a demografías no vistas. En el grupo de Asia Central (zero-shot), ResNet18 sufrió una alta Tasa de Error de Clasificación de Presentación Bona Fide (BPCER) del 10.44%, rechazando incorrectamente a usuarios genuinos a una tasa elevada. El DeiT-S mantuvo un BPCER del 2.89% en el mismo grupo, demostrando una ventaja de generalización de 3.6 veces.
• Precisión vs. Equidad: El estudio encontró que una alta precisión agregada no garantiza la equidad. El ViT-Tiny entrenado desde cero alcanzó un 96.48% de precisión, pero exhibió severas disparidades demográficas, mientras que el DeiT-S logró tanto una mayor precisión como una equidad superior.

Significancia y Reivindicaciones
El artículo argumenta que el diseño arquitectónico desempeña un papel medible en la equidad de la detección de ataques de presentación trans-demográfica. Los resultados sugen que los Vision Transformers preentrenados, específicamente el DeiT-S, ofrecen una doble ventaja: una precisión de detección superior y una reducción en las brechas de rendimiento demográfico. Los autores atribuyen la mejora en la equidad del DeiT-S a una combinación de su mecanismo de autoatención global —que captura claves de vitalidad que trascienden los patrones de textura específicos de la etnia— y la diversidad de su preentrenamiento a gran escala en ImageNet.

El estudio concluye que, si bien las CNN pueden desempeñarse competitivamente en grupos demográficos vistos, fallan al generalizarse de manera equitativa a grupos no vistos, creando sistemas de acceso de "dos niveles". En contraste, los ViT demuestran una capacidad para una generalización más equitativa. Los autores señalan modestamente que la equidad observada es probablemente un producto conjunto de la arquitectura y la diversidad de los datos de preentrenamiento, y que aislar completamente estos factores requiere estudios de ablación controlados adicionales. El trabajo no pretende eliminar el sesgo por completo, sino que proporciona evidencia de que las elecciones arquitectónicas pueden mitigar significativamente el mismo sin depender únicamente de un preprocesamiento explícito consciente de la equidad.