学习得到的颜色类空间中的人脸呈现攻击检测

基于摘要分析。本文研究人脸呈现攻击检测（Face Presentation Attack Detection，PAD），针对现有颜色空间中真实与伪造人脸分布重叠、颜色空间选择及组合方式不明确的问题，提出端到端学习新的颜色类空间，而非仅在 RGB、HSV、YCbCr 等既有空间中提取判别特征。 方法上，网络受 GAN 生成器启发，由空间生成器与特征提取器组成，将既有颜色空间映射到学习得到的颜色类空间。作者提出 points-to-center 三元组组合机制，目标是增大类间距离、缩小类内距离，并在真实与伪造人脸之间保持安全间隔。摘要未提供该机制的具体公式、中心构造方式或训练流程；受 GAN 生成器启发也不等于已确认使用对抗训练。 作者报告，在 Relay-Attack（按所给摘要拼写）与 OULU-NPU 两个人脸 PAD 数据库上，该方法优于所比较的当时先进方法，并具有良好的泛化能力。但摘要未给出具体指标、数值、数据划分及泛化评估协议，因此无法判断性能提升幅度及其适用条件；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是人脸生物识别安全，不是状态空间模型或 EEG/BCI。现有材料未提供神经信号实验或明确的跨领域机制对应，不据此生成 BCI 有效性结论或复现实验建议。