Close-up challenge approach for active liveness

Abstract

Resumo: A tarefa de Anti-Spoofing Facial (FAS) foca na detecção de tentativas de enganar sistemas de autenticação facial. A grande maioria dos estudos nessa área se concentra em abordagens passivas, que não exigem nenhuma interação especial por parte do usuário. Em contraste, o subcampo da detecção ativa de vivacidade — onde a autenticidade é verificada por meio de ações realizadas pelo usuário — permanece pouco explorado. Essa lacuna se deve principalmente à falta de conjuntos de dados públicos adequados para tarefas de vivacidade ativa, o que leva a pesquisas irreproduzíveis, métodos desatualizados e análises comparativas limitadas. Para enfrentar esses problemas, este trabalho apresenta um novo conjunto de dados de vivacidade ativa com ênfase em vídeos com movimentos em close-up. O conjunto contém 714 amostras genuínas coletadas de voluntários e 1.847 amostras falsas criadas usando imagens do CelebA e vídeos do CelebV exibidos em diferentes instrumentos de ataque de apresentação. Propomos quatro protocolos de avaliação para testar a capacidade de generalização de modelos de detecção de vivacidade ativa em cenários desafiadores, como lidar com ataques desconhecidos, instrumentos não vistos anteriormente e variações nos padrões de aquisição das câmeras. Além disso, este trabalho apresenta um novo modelo baseado em trabalhos anteriores, que integra invariantes projetivos com embeddings faciais para uma extração de características mais robusta. Essa abordagem melhora significativamente as técnicas existentes, superando outras linhas de base na detecção de tentativas de falsificação

Abstract: The Face Anti-Spoofing (FAS) task focuses on detecting attempts to deceive facial authentication systems. The vast majority of studies in this field focus on passive approaches, which do not require any special interaction with the user. In contrast, the subfield of active liveness detection —where authenticity is verified through user-performed actions — remains underexplored. This gap is primarily due to a lack of public datasets suitable for active liveness tasks, leading to irreproducible research, outdated methods, and limited comparative analysis. To address these issues, this work introduces a new active liveness dataset emphasizing videos with close-up movements. The dataset consists of 714 genuine samples collected from volunteer subjects and 1,847 spoof samples created using CelebA images and CelebV videos displayed across various presentation attack instruments. We propose four evaluation protocols to assess the generalization capabilities of active liveness detection models in challenging scenarios, such as handling unknown attacks, unseen instruments, and variations in camera acquisition patterns. Additionally, this work presents a new model that builds on prior work, integrating projective invariants with facial embedding for more robust feature extraction. This approach significantly improves upon existing techniques, outperforming other baselines in detecting spoofing attempts