Field-Localized Forgery Detection for Digital Identity Documents

Resumo Técnico: Detecção de Falsificação Localizada por Campo para Documentos de Identidade Digital

Declaração do Problema
Os sistemas de verificação de identidade digital, cada vez mais utilizados para integração remota em bancos, fintechs e telecomunicações, são vulneráveis a manipulações localizadas de documentos de identidade. Diferentemente de imagens naturais, os documentos de identidade possuem layouts estruturados contendo campos semanticamente significativos (por exemplo, fotografias faciais, dados textuais de identidade, texturas de segurança). Os métodos existentes de detecção de falsificação, desenvolvidos principalmente para forense de imagens naturais (por exemplo, inserção de objetos, síntese generativa), frequentemente falham quando aplicados a esses documentos estruturados. Eles carecem de especificidade de domínio para lidar com as características únicas dos campos de identidade e frequentemente degradam o desempenho ao processar imagens de documentos completos. Além disso, a dependência de conjuntos de dados proprietários e de código fechado na indústria limita a reprodutibilidade e o desenvolvimento de soluções abertas, eficientes e específicas de domínio.

Metodologia: O Framework FLiD
Os autores propõem o FLiD (Detecção de Falsificação de Documento de Identidade Localizada por Campo), um framework leve projetado para tratar documentos de identidade como coleções estruturadas de campos semânticos, e não como grades de imagens homogêneas. O pipeline consiste em três etapas principais:

1. Localização de Campo de Identidade:

   • Um detector de objetos YOLOv8 ajustado finamente é empregado para localizar e extrair automaticamente regiões críticas de identidade: a fotografia facial e os campos textuais de identidade.
   • Esta etapa aborda a variabilidade estrutural de documentos de diferentes países e autoridades emissoras, garantindo a extração consistente de regiões semanticamente relevantes, independentemente do layout do documento.
   • O detector foi treinado em caixas delimitadoras anotadas manualmente a partir do conjunto de dados para garantir robustez contra variações específicas de domínio.

2. Codificação de Características em Nível de Campo:

   • As regiões de rosto e texto extraídas são redimensionadas para 224×224 e passadas por uma espinha dorsal MobileNetV3-Small congelada (pré-treinada no ImageNet-1K).
   • A espinha dorsal gera embeddings compactos de 576 dimensões para cada campo. Ao congelar os pesos da espinha dorsal, o modelo evita o sobreajuste nos dados limitados de documentos de identidade, enquanto aproveita representações visuais ricas aprendidas com pré-treinamento em larga escala.
   • Esta abordagem reduz significativamente a contagem de parâmetros treináveis em comparação com o treinamento de uma espinha dorsal completa do zero.

3. Fusão Multi-Campo e Classificação:

   • Para documentos que potencialmente contêm manipulações multi-campo, os embeddings de rosto e texto são concatenados para formar uma representação unificada multi-campo.
   • Um classificador leve de rede neural feed-forward (5 camadas totalmente conectadas com ativações ReLU e dropout) processa essas características concatenadas para classificar o documento como autêntico ou falsificado.
   • Toda a cabeça de classificação contém apenas 191K parâmetros treináveis, otimizados usando perda de entropia cruzada binária com balanceamento de classes.

Principais Contribuições

• Framework em Nível de Campo Consciente de Identidade: Uma abordagem inovadora que modela explicitamente documentos de identidade como composições estruturadas de campos semânticos, permitindo uma análise de falsificação direcionada distinta dos detectores gerais de imagens naturais.
• Módulo de Localização Semântica: A introdução de um módulo YOLOv8 ajustado finamente para detectar e extrair automaticamente regiões críticas de identidade (rosto e texto), facilitando o pré-processamento consistente em formatos de documentos heterogêneos.
• Aprendizado de Representação Leve: Uma estratégia de embedding eficiente usando uma espinha dorsal MobileNetV3-Small congelada que alcança forte desempenho de detecção com custo computacional mínimo (191K parâmetros e 21× menos FLOPs que a linha de base).

Resultados Experimentais
O framework foi avaliado no conjunto de dados FantasyID, um benchmark contendo 362 designs únicos de ID com 1.086 imagens autênticas e vários tipos de falsificação (apenas rosto, apenas texto e ataques combinados). O desempenho foi avaliado usando validação cruzada estratificada de 5 dobras e métricas PAD ISO/IEC 30107-3.

• Ganhos de Desempenho: O FLiD alcançou pontuações de Área sob a Curva (AUC) de 0,880 (rosto), 0,954 (texto) e 0,923 (ataques de ambos os campos).
• Redução de Erro: O método reduziu a Taxa de Erro Igual (EER) em 29,40% para ataques de rosto, 35,65% para ataques de texto e 35,34% para ataques combinados, em comparação com uma linha de base MobileNetV2 treinada do zero em imagens de documentos completos.
• Eficiência Operacional: O FLiD superou consistentemente detectores de manipulação de propósito geral (TruFor, MMFusion, UniVAD) em todos os cenários, enquanto exigia 13× menos parâmetros e 21× menos FLOPs.
• Robustez: O modelo demonstrou separabilidade de pontuação superior e confiabilidade de classificação, particularmente em ataques apenas de texto, onde a linha de base performou próximo ao acaso aleatório (AUC ~0,54).

Significado e Alegações
O artigo argumenta que a natureza estrutural dos documentos de identidade exige uma estratégia de detecção fundamentalmente diferente daquela usada para imagens naturais. Ao focar em campos semanticamente críticos em vez de processar o documento inteiro indiscriminadamente, o FLiD alcança um trade-off superior entre precisão de detecção e eficiência computacional. Os autores afirmam que a modelagem específica de domínio é essencial para a detecção de falsificação de identidade digital, pois modelos de propósito geral falham em generalizar para cenários de documentos estruturados. O framework proposto oferece uma solução reprodutível, de código aberto e computacionalmente eficiente, adequada para implantação no mundo real em sistemas de verificação de identidade digital, particularmente em ambientes de borda onde latência e restrições de recursos são críticas.

Limitações e Direções Futuras
Os autores reconhecem que o sistema atual depende de representações de características visuais e não utiliza Reconhecimento Óptico de Caracteres (OCR) ou priores específicos de linguagem. Embora eficaz contra técnicas de manipulação atuais que introduzem artefatos visuais (por exemplo, inconsistências de fonte, limites de mistura), trabalhos futuros visam explorar a fusão visual-linguística multimodal para detectar edições semanticamente implausíveis, mas visualmente perfeitas. Adicionalmente, as direções futuras incluem a extensão do sistema para produzir mapas de adulteração em nível de pixel para localização e a integração de técnicas de explicabilidade (por exemplo, Grad-CAM) para melhorar a confiança operacional.