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

Resumo Técnico: CPG-PAD: Detecção de Ataque de Apresentação Guiada por Prompts Informados por Conceitos

Definição do Problema
A Detecção de Ataque de Apresentação (PAD) é crítica para assegurar sistemas de reconhecimento facial contra tentativas de spoofing, como fotos impressas, vídeos reproduzidos e máscaras 3D. Embora os métodos baseados em aprendizado profundo tenham mostrado promessa, eles lutam para generalizar em domínios não vistos devido a mudanças significativas em sensores, condições de iluminação e materiais de ataque. Abordagens recentes que utilizam Modelos de Visão-Linguagem (VLMs), particularmente frameworks baseados em CLIP, melhoraram a generalização ao utilizar conhecimento multimodal. No entanto, os métodos atuais de PAD do tipo CLIP dependem tipicamente de prompts textuais projetados por humanos (ex: "uma foto de um rosto real") otimizados sob supervisão de rótulos de classe. Os autores argumentem que esses prompts de nível humano falham em alinhar explicitamente com semânticas visuais de grão fino e relevantes para o ataque (como distorções geométricas sutis ou discrepâncias de reflexão de iluminação) e frequentemente sofrem overfitting para artefatos específicos de domínio em vez de capturar pistas de ataque transferíveis.

Metodologia
O artigo propõe o CPG-PAD (Detecção de Ataque de Apresentação Guiada por Prompts Informados por Conceitos), um framework que integra orientação de conceitos ao nível do modelo no processo de aprendizado de prompts. O método consiste em duas etapas primárias:

1. Melhoria de Conceito Guiada por Visão (VCE - Visual Concept-driven Enhancement):

   • Este módulo opera em um modelo CLIP pré-treinado sem exigir atualizações de parâmetros.
   • Descoberta de Conceitos: Utilizando Decomposição de Matriz Semi-Negativa (Semi-NMF) nas ativações de mapas de características de um subconjunto de dados de domínio, o sistema descobre automaticamente conceitos visuais relevantes para PAD (ex: "vinco de papel", "buracos cortados", "olhos ambíguos") diretamente do espaço de características.
   • Geração de Heatmap: Esses conceitos descobertos são usados para gerar heatmaps de características de grão fino ($H_{gt}$) para todo o conjunto de dados. Esses heatmaps servem como sinais de orientação localizados e associados a conceitos que destacam pistas visuais específicas relevantes para a detecção de ataques, indo além da compreensão de nível humano.

2. Injeção de Conceito Baseada em Prompt (PCI - Prompt-based Concept Injection):

   • Esta etapa aprende múltiplos prompts informados por conceitos alinhando prompts textuais com os conceitos visuais descobertos pela VCE.
   • Prompts Aprendíveis: O framework utiliza embeddings de prompts aprendíveis concatenados com descrições de texto fixas por classe (ex: "Uma foto de um rosto falso").
   • Decodificador de Prompt Visual (VPD - Visual-Prompt Decoder): Um novo módulo de decodificação, incorporando Atenção de Múltiplas Cabeças (MSA) e um mecanismo proposto de Atenção Dupla de Múltiplas Cabeças (MDA), facilita a interação entre as características do prompt e os tokens da imagem.
   • Perda de Mapeamento de Conceito: O VPD decodifica os prompts nos heatmaps previstos ($H_{dec}$). Uma perda de mapeamento de conceito ($L_M$) é aplicada para minimizar o erro entre $H_{dec}$ e os heatmaps de conceito de referência ($H_{gt}$) usando correspondência húngara. Isso força os prompts aprendíveis a se alinharem com o espaço de conceito interno do modelo, injetando efetivamente informações de conceitos visuais nos prompts de texto.
   • Classificação: A classificação final é realizada calculando pontuações de similaridade entre as características do prompt aprendido e o token CLS da imagem de entrada, supervisionada tanto pela perda de entropia cruzada de classificação quanto pela perda de mapeamento de conceito.

Principais Contribuições

• Framework Inovador: A introdução do CPG-PAD, que melhora a generalização de domínio ao incorporar conceitos visuais descobertos via técnicas de XAI em VLMs pré-treinados no processo de aprendizado de prompts.
• Mecanismos VCE e PCI: O design da Melhoria de Conceito Guiada por Visão (VCE) para descobrir automaticamente conceitos relevantes para o ataque e gerar heatmaps de características, e do Prompt-based Concept Injection (PCI) para aprender prompts informados por conceitos via Visual-Prompt Decoder (VPD).
• Desempenho de Estado da Arte: A demonstração de desempenho superior de cross-domain em nove conjuntos de dados de benchmark sob protocolos de avaliação de múltiplas fontes, fonte limitada e fonte única.

Resultados Experimentais
Os autores avaliaram o CPG-PAD em nove datasets (incluindo MSU-MFSD, CASIA-FASD, OULU-NPU, CelebA-Spoof e SiW-Mv2) através de cinco protocolos de avaliação (P1–P5).

• Multi-fonte (P1): No benchmark ICMO, o CPG-PAD alcançou uma Taxa de Erro Total de Metade (HTER) média de 2,08%, superando o método anterior baseado em CLIP, S-CPTL (3,33%), e até mesmo o S-CPTL treinado com dados adicionais (2,89%).
• Fonte Limitada (P2/P3): Em cenários com menos domínios de origem, o CPG-PAD consistentemente alcançou o desempenho nos dois melhores colocados, reduzindo a HTER média para 9,91% (sem dados extras) e 6,59% (com aumento de CelebA-Spoof) nos datasets CSW.
• Fonte Única (P4): O método alcançou uma HTER média de 5,33% (3,36% com aumento), superando significativamente outros baselines de fonte única.
• PAI Desconhecido (P5): No dataset SiW-Mv2 com Instrumentos de Ataque de Apresentação (PAIs) desconhecidos, o CPG-PAD reduziu a HTER média de 3,03% (baseline CLIP) para 1,02%, mostrando robustez particular contra ocultação, maquiagem e máscaras 3D.
• Estudos de Ablação: Experimentos confirmaram a necessidade de cada componente (Prompts Aprendíveis, Perda de Mapeamento de Conceito e VPD), o número ideal de prompts (correspondendo ao número de conceitos descobertos, $J=K=15$), e a profundidade ideal do VPD (4 camadas).

Significância
O artigo afirma que o CPG-PAD aborda a limitação de prompts projetados por humanos em métodos de PAD baseados em CLIP ao aproveitar sinais de nível de modelo. Ao usar XAI para descobrir conceitos visuais e heatmaps, o framework permite que o modelo aprenda prompts que se alinham com pistas de ataque de grão fino e transferíveis, em vez de artefatos específicos de domínio. Essa abordagem permite que o modelo capture características generalizáveis e suprima vieses específicos de dataset, levando a um desempenho robusto em domínios alvo não vistos sem depender de sensores adicionais ou arquiteturas de raciocínio multimodal complexas (como Grandes Modelos de Linguagem). Os resultados sugerem que destilar conceitos visuais de VLMs pré-treinados é uma estratégia eficaz para melhorar a generalização de domínio de sistemas de anti-spoofing facial.