CPG-PAD: Concept-Informed Prompts Guided Presentation Attack Detection

技術要約：CPG-PAD：コンセプトに基づいたプロンプトによる提示攻撃検知（Concept-Informed Prompts Guided Presentation Attack Detection）

問題提起
プレゼンテーション攻撃検知（PAD）は、印刷された写真、再生されたビデオ、3Dマスクなどのスプーフィング（なりすまし）の試みから顔認識システムを保護するために極めて重要である。深層学習ベースの手法は有望な成果を示しているが、センサー、照明条件、攻撃素材の著しい変化により、未知のドメインに対する汎化性能において課題を抱えている。近年、視覚言語モデル（VLM）、特にCLIPベースのフレームワークを活用したアプローチは、マルチモーダルな知識を利用することで汎化性能を向上させている。しかし、既存のCLIP型PAD手法は、通常、クラスラベルの監督下で最適化された人間が設計したテキストプロンプト（例：「本物の顔の写真」）に依存している。著者らは、こうした人間レベルのプロンプトは、微細な攻撃に関連する視覚的セマンティクス（微妙な幾何学的歪みや、照明・反射の不一致など）と明示的に整合しておらず、転移可能な攻撃の手がかりを捉えるよりも、ドメイン固有のアーティファクトに過学習してしまう傾向があると主張している。

手法
本論文では、プロンプト学習プロセスにモデルレベルのコンセプトガイダンスを統合するフレームワークであるCPG-PAD（Concept-Informed Prompts Guided Presentation Attack Detection）を提案する。この手法は主に2つの段階で構成される。

1. 視覚的コンセプト駆動型強化（Visual Concept-driven Enhancement: VCE）:

   • このモジュールは、パラメータの更新を必要とせずに、学習済みCLIPモデル上で動作する。
   • コンセプト発見（Concept Discovery）: ドメインデータの一部から得られた活性化マップに対して半負行列因子分解（Semi-NMF）を用いることで、システムはドメインの機能空間から直接、PADに関連する視覚的コンセプト（例：「紙のしわ」、「切り抜かれた穴」、「曖昧な目」）を自動的に発見する。
   • ヒートマップ生成（Heatmap Generation）: これらの発見されたコンセプトを用いて、データセット全体に対して微細な特徴ヒートマップ（$H_{gt}$）を生成する。これらのヒートマップは、人間レベルの理解を超えて、攻撃検知に関連する特定の視覚的手がかりを強調する、局所的かつコンセプトに関連付けられたガイダンス信号として機能する。

2. プロンプトによるコンセプト注入（Prompt-based Concept Injection: PCI）:

   • この段階では、VCEによって発見された視覚的コンセプトとテキストプロンプトを整合させることで、コンセプトに基づいた複数のプロンプトを学習する。
   • 学習可能なプロンプト（Learnable Prompts）: 本フレームワークは、固定されたクラスごとのテキスト記述（例：「偽の顔の写真」）に結合された、学習可能なプロンプト埋め込みを利用する。
   • 視覚プロンプトデコーダ（Visual-Prompt Decoder: VPD）: マルチヘッド自己注意（MSA）と提案されたマルチヘッド・デュアルアテンション（MDA）メカニズムを組み込んだ新しいデコーダモジュールにより、プロンプト特徴と画像トークンの間の相互作用を促進する。
   • コンセプトマッピング損失（Concept Mapping Loss）: VPDはプロンプトを予測ヒートマップ（$H_{dec}$）へとデコードする。ハンガリアンマッチングを用いて、$H_{dec}$とグランドトゥルースのコンセプトヒートマップ（$H_{gt}$）の間の誤差を最小化するようにコンセプトマッピング損失（$L_M$）が適用される。これにより、学習可能なプロンプトがモデル内部のコンセプト空間と整合するように強制され、視覚的コンセプトの情報が効果的にテキストプロンプトへと注入される。
   • 分類（Classification）: 最終的な分類は、学習されたプロンプト特徴と入力画像のCLSトークンとの間の類似度スコアを計算することによって行われ、分類クロスエントロピー損失とコンセプトマッピング損失の両方によって監督される。

主な貢献

• 新規フレームワーク: 学習済みのVLMにおける説明可能なAI（XAI）技術を通じて発見された視覚的コンセプトをプロンプト学習プロセスに組み込むことで、ドメイン汎化性能を向上させるCPG-PADを導入した。
• VCEおよびPCIメカニズム: 攻撃に関連するコンセプトを自動的に発見し特徴ヒートマップを生成する「視覚的コンセプト駆動型強化（VCE）」と、VPDを介してコンセプトに基づいたプロンプトを学習する「プロンプトによるコンセプト注入（PCI）」を設計した。
• 最先端の性能: 5つの評価プロトコル（P1–P5）における9つのベンチマークデータセットにおいて、優れたクロスドメイン性能を実証した。

実験結果
著者らは、9つのデータセット（MSU-MFSD、CASIA-FASD、OULU-NPU、CelebA-Spoof、SiW-Mv2を含む）を用い、5つの評価プロトコル（P1–P5）に従ってCPG-PADを評価した。

• マルチソース（P1）: ICMOベンチマークにおいて、CPG-PADは平均半分総誤り率（HTER）**2.08%**を達成し、従来の最先端のCLIPベース手法であるS-CPTL（3.33%）、および追加データで学習されたS-CPTL（2.89%）を上回った。
• 限定ソース（P2/P3）: ソースドメインが少ないシナリオにおいても、CPG-PADは一貫してトップ2の性能を達成し、CSWデータセットにおいて平均HTERを（追加データなしで）9.91%に、（CelebA-Spoofによる拡張ありで）6.59%に低減した。
• シングルソース（P4）: 本手法は平均HTER 5.33%（拡張ありで3.36%）を達成し、他のシングルソースのベースラインを大幅に上回った。
• 未知のPAI（P5）: 未知の提示攻撃器具（PAI）を含むSiW-Mv2データセットにおいて、CPG-PADは平均HTERをCLIPベースラインの3.03%から**1.02%**に低減し、隠蔽、メイクアップ、3Dマスクに対する高い堅牢性を示した。
• アブレーション研究: 実験により、各コンポーネント（学習可能なプロンプト、コンセプトマッピング損失、およびVPD）の必要性、最適なプロンプト数（発見されたコンセプトの数 $J=K=15$ に一致）、および最適なVPDの深さ（4レイヤー）が確認された。

意義
本論文は、モデルレベルの信号を利用することで、CLIPベースのPAD手法における人間設計のプロンプトの限界に対処できると主張している。XAIを用いて視覚的コンセプトとヒートマップを発見することにより、本フレームワークは、ドメイン固有のアーティファクトではなく、微細で転移可能な攻撃の手がかりと整合するプロンプトをモデルに学習させることを可能にする。このアプローチにより、モデルは一般的な特徴を捉え、データセット固有のバイアスを抑制することができ、追加のセンサーや複雑なマルチモーダル推論アーキテクチャ（大規模言語モデルなど）に頼ることなく、未知のターゲットドメインに対する堅牢な性能を実現する。結果は、学習済みVLMから視覚的コンセプトを蒸留することが、顔アンチスプーフィングシステムのドメイン汎化性能を向上させるための効果的な戦略であることを示唆している。