“FM-CLIP: Flexible Modal CLIP for Face Anti-Spoofing”由澳门科技大学、中国科学院等单位的Ajian Liu、Hui Ma等人撰写。文章提出了一种名为FM-CLIP的新型灵活模态人脸反欺诈（FAS）方法，通过利用文本特征动态调整视觉特征以实现模态独立性，在多模态数据集上取得了优于现有方法的性能。
conference：2024 ACM MM
paper：https://openreview.net/pdf?id=Gl3a5nusJP
code：None
文章目录
- 一、研究背景与问题提出
- （一）人脸反欺诈任务的重要性
- （二）现有方法的局限性
- （三）本文贡献
- 二、研究方法
- （一）整体框架
- （二）跨模态欺骗增强器（CMS-Enhancer）
- 1. 空间提取器（SE）
- 2. 频率提取器（FE）
- 3. 跨模态交互器（CMI）
- （三）视觉 - 语言对齐（Vision-Language Alignment）
- 1. 提示学习（Prompt Learning）
- 2. 语言引导补丁对齐（LGPA）
- 3. 损失计算与模型训练
- 三、实验结果
- （一）数据集与实验设置
- （二）固定模态场景评估
- 1. SURF数据集
- 2. WMCA数据集
- 3. CeFA数据集
- （三）灵活模态场景评估
- （四）消融实验
- 1. FM-CLIP 各组件有效性
- 2. CMS-Enhancer 各组件有效性
- 3. VLA 各组件有效性：
- 4. 模型参数分析
- 5. 可视化分析
- 四、研究结论
一、研究背景与问题提出
（一）人脸反欺诈任务的重要性
人脸反欺诈（FAS）任务旨在保护人脸识别系统免受物理介质（如打印、重放、掩码等）的呈现攻击。随着攻击手段的日益复杂，基于RGB模态的
)
 与现金流及单期贷款模型（中英双语）)
)
