基于域熵与互信息最大化的跨域人脸防伪泛化框架EnfoMax研究

【编辑推荐】本文提出EnfoMax框架，通过信息论分析跨域人脸防伪(FAS)任务，创新性地采用互信息和域熵最大化（无需对抗训练）实现活体样本的域不变特征提取，为域泛化(DG)任务提供理论保障，在多个公开数据集上超越现有最优方法(SOTA)。

亮点

• 首次结合互信息和域熵理论分析跨域人脸防伪(FAS)任务，为优化目标设计提供理论依据

• 提出针对未见目标域的互信息下界，推动EnfoMax新型学习框架诞生

• 在主流域泛化FAS基准测试中达到最先进性能

问题阐述

传统FAS方法在域内表现良好，但跨域性能欠佳。现有方法将FAS简单视为二分类任务，缺乏对"域不变特征"的理论定义，导致对抗训练稳定性不足。

方法论

EnfoMax框架通过最大化源域活体样本的域熵和互信息，实现：

1. 1.

   域熵最大化：使域分类器无法区分样本所属域（对比图1中对抗范式与域熵范式的差异）

2. 2.

   互信息最大化：通过基于变分下界的代理任务估计高维变量间互信息

实验验证

t-SNE可视化显示（图4），仅使用重建任务时不同域样本存在明显间隙，而EnfoMax能有效区分源域活/伪样本并缩小域间差距。

结论

本研究通过信息论为跨域FAS任务建立理论保障，所提互信息下界确保模型在未见目标域的性能，为生物识别安全领域提供新范式。

作者贡献声明

郑天壹（第一作者）：方法论研究/论文撰写；王嘉（通讯作者）：项目指导；其他作者分别参与资源提供或论文修订。

利益声明

作者声明无潜在利益冲突

学者背景

郑天壹：西安电子科技大学本科（2020），现上海交通大学电气工程系博士生，研究方向包括计算机视觉和生成模型。

（注：严格遵循要求处理特殊字符，如^TSNE；保留专业术语中英文对照如域泛化(DG)；去除文献引用标识[8]等；未使用任何HTML/SVG标签）