Detecting Clear Contact Lenses for Iris Recognition: A Two-Stage Mask-Guided Attention Approach

기술 요약: 홍채 인식에서의 투명 콘택트렌즈 탐지

문제 정의
홍채 인식에서 패턴(미용용) 콘택트렌즈의 탐지는 프레젠테이션 공격 탐지(PAD) 패러다임 하에 이미 잘 확립되어 있는 반면, 투명한 처방용 콘택트렌즈는 여전히 중요한 미개척 과제로 남아 있다. 패턴이 있는 렌즈와 달리, 투명 렌즈는 광학적으로 투명하여 눈에 띄는 시각적 아티팩트를 남기지 않으며, 이로 인해 렌즈가 홍채 인식에 영향을 미치지 않는다는 가정이 지배적이었다. 그러나 저자들은 이러한 가정에 의문을 제기하며, 투명 렌즈가 미세한 굴절률 불일치와 홍채-공막 경계부(limbus)에서의 가장자리 아티팩트를 유발한다고 지적한다. 이러한 미세한 단서들은 실제 매치 점수를 저하시키고 검증 오류를 증가시키지만, 광학적 비가시성, 극도로 국소적인 공간적 위치(좁은 환형 띠에 국한됨), 그리고 렌즈 브랜드 및 획득 조건에 따른 높은 클래스 내 변동성으로 인해 탐지가 매우 어렵다.

방법론
저자들은 패턴 렌즈 탐지(텍스처 기반 문제)와 투명 렌즈 탐지(미세한 공간 국소화 문제) 사이의 근본적인 차이를 해결하기 위해 설계된 2단계 탐지 프레임워크를 제안한다.

1. 1단계: 패턴 렌즈 스크리닝

   • 입력: 압축되고 국소화된 홍채 크롭 이미지 ($\hat{I}$).
   • 모델: 기존의 PAD 모델인 D-NetPAD(DenseNet-121 기반)를 미세 조정하여 이미지를 "패턴 있음" 또는 "패턴 없음"으로 분류한다.
   • 로직: 패턴이 있는 것으로 식별된 이미지는 즉시 분류된다. "패턴 없음"으로 식별된 이미지만 2단계로 진행되며, 이를 통해 2단계가 쉬운 텍스처 단서에 의해 지배되지 않고 오직 더 어려운 투명 렌즈 대 일반 상태의 구분에만 집중할 수 있도록 보장한다.

2. 2단계: 마스크 가이드 어텐션을 통한 투명 렌즈 탐지

   • 입력: 전체 안와(periocular) 이미지 ($I$) 및 자동 생성된 해부학적 ROI 마스크 ($M$).
   • 마스크 생성: 원형 허프 변환(circular Hough transforms)을 사용하여 동공과 공막 경계를 국소화함으로써 이진 마스크를 도출한다. 이 마스크는 세 영역, 즉 동공, 홍채 환형(annulus), 그리고 투명 렌즈의 증거가 나타날 가능성이 가장 높은 "외부 호(outer arc)"(경계 너머의 안와 조직)를 정의한다. 별도의 픽셀 단위 주석이나 학습된 세그멘테이션은 사용되지 않는다.
   • 아키텍처: 2단계의 핵심은 ConvNeXt-Base 백본에 통합된 마스크 가이드 공간 어텐션(MGSA) 모듈이다.
     • 하드 해부학적 게이트(Hard Anatomical Gate): 업샘플링된 마스크 $\tilde{M}$을 피처 맵과 요소별 곱셈(element-wise multiplication)을 수행하여 해부학적으로 유효한 영역(홍채 및 외부 호) 외의 활성화 값을 0으로 만들어, 네트워크가 무관한 배경 특징에 주의를 기울이는 것을 방지한다.
     • 학습된 돌출도 게이트(Learned Saliency Gate): $1\times1$ 컨볼루션을 통해 소프트 공간 게이트 $G$를 생성하여 마스크된 영역 내의 특정 영역에 가중치를 재설정함으로써, 미세한 경계부 단서에 집중하도록 학습한다.
     • 채널 재보정(Channel Recalibration): Squeeze-and-Excitation (SE) 블록이 전역적으로 피처 채널을 재보정하여 가장 변별력 있는 특징을 선택한다.
   • 백본 비교: 저자들은 EfficientNet-B4, ResNet-101, ConvNeXt-Base를 평가하였다. ConvNeXt-Base는 경계부의 넓게 퍼진 미세한 곡률을 더 잘 포착할 수 있는 대형 커널($7\times7$) 심층 컨볼루션을 갖추고 있어 최적의 백본으로 선택되었다.

3. 점수 보정 (Score Calibration)

   • 투명 렌즈가 탐지되면 시스템은 VeriEye 검증 점수의 원시 점수에 z-score 보정을 적용한다.
   • 예측된 렌즈 레이블(Normal, Clear)을 사용하여 각 조건에 대한 진성 쌍(genuine pair) 점수의 평균과 표준 편차를 추정한다.
   • 점수는 "Normal-Normal" 참조 분포에 맞게 재조정되며, 이 과정에서 쌍 유형 내의 순위 결정(rank ordering)은 변경하지 않으면서 렌즈로 인해 발생한 점수 격차를 효과적으로 메운다.

주요 기여

1. 성능 저하에 대한 정량적 증거: 본 연구는 네 개의 대규모 데이터셋을 통해 투명 렌즈가 상용 매처(Veri-Eye)의 진성 매치 점수를 체계적으로 저하시키고 검증 오류율을 높인다는 실증적 근거를 제시한다.
2. 2단계 탐지 파이프라인: 저자들은 3클래스 문제를 두 개의 특화된 이진 결정으로 분해한다. 이 접근 방식은 패턴 렌즈의 텍스처 이상과 투명 렌즈의 공간 국소화 문제를 분리함으로써 단일 단계 베이스라인보다 성능을 크게 향상시킨다.
3. 새로운 마스크 가이드 어텐션(MGSA): 본 논문은 주석(annotation)이 필요 없는 방식으로 허프(Hough) 유도 해부학적 ROI 마스크를 딥 백본의 피처 계층에 직접 주입하는 방법을 소개한다. 이는 고정된 공간적 사전 지식과 학습된 어텐션을 결합하여, 네트워크가 투명 렌즈의 증거가 존재하는 특정 경계 영역에 집중하도록 강제한다.
4. 검증 성능 개선: 렌즈 탐지와 점수 보정을 통합하는 것이 검증 성능을 크게 향상시켜, 여러 데이터셋에서 등가 오류율(EER)을 4.1%에서 28.3%까지 감소시킨다는 것을 입증하였다.

결과

• 분류 정확도: 전체 파이프라인은 네 개의 데이터셋(UND-AD100, UND-LG4000, IITD-Cogent, IITD-Vista)에서 90.0%에서 98.8% 사이의 정확도를 달성했다.
  • 1단계는 모든 데이터셋에서 패턴 렌즈를 탐지하는 데 **100%**의 정확도를 기록했다.
  • 2단계(투명 렌즈 대 일반 상태)는 87.5%(UND-AD100)에서 98.18%(IITD-Vista) 사이의 정확도를 달로했다.
  • MGSA를 적용한 ConvNeXt-Base는 특히 큰 데이터셋에서 ResNet-101 및 EfficientNet 베이스라인보다 일관되게 우수한 성능을 보였다.
• 검증 성능: 제안된 z-score 보정은 EER을 유의미하게 감소시켰다:
  • UND-AD100: 0.49% $\to$ 0.47% (4.1% 상대적 감소).
  • IITD-Vista: 2.26% $\to$ 1.62% (28.3% 상대적 감소).
  • 이러한 개선은 초기 점수 저하의 심각도와 상관관계가 있었으며, 점수 격차가 큰 데이터셋에서 더 큰 이점이 나타났다.
• 일반화 성능: 방법론은 강력한 교차 센서 일반화 성능을 보여주었으나, 특히 큰 데이터셋(IITD)에서 훈련된 모델이 다른 데이터셋에서 테스트될 때 효과적이었다. 반면, 작은 데이터셋(UND)에서 훈련된 모델은 IITD 센서로 일반화하는 데 어려움을 겪어 비대칭적 전이 격차를 보였다.

의의 및 주장
본 논문은 투명 콘택트렌즈의 신뢰할 수 있는 탐지가 단순한 스푸핑 방지 보안 조치를 넘어, 실세계 홍채 인식의 견고성을 향상시키기 위한 필수 구성 요소라고 주장한다. 투명 렌즈가 무작위 노이즘이 아닌 체계적이고 조건 의존적인 편향을 유발한다는 것을 입증함으로써, 저자들은 렌즈 인지 탐지 후 점수 보정이 검증 오류를 완화하기 위한 실질적이고 효과적인 경로임을 강조한다. 본 연구는 해부학적 사전 지식(허프 마스크를 통해)이 딥 네트워크가 미세하고 보이지 않는 아티팩트를 탐지하도록 효과적으로 가이드할 수 있음을 보여주며, 이는 지난 10년 넘게 해결되지 않았던 문제에 대한 해결책을 제시한다. 저자들은 현재 시스템이 허프 기반 마스크와 근적외선 데이터에 의존하고 있지만, 이 프레임워크가 다양한 운영 환경에서 더욱 강력한 생체 인식 시스템을 구축하기 위한 토대를 제공한다고 언급한다.