TFace是由腾讯优图实验室研发的可信人脸算法研究项目，重点关注人脸识别、人脸安全、人脸质量等技术领域，通过开源自研的方法，方便研究人员快速复现我们的工作。自开源以来，本项目在业界获得了广泛关注，最近TFace发布了新版本，在优化了原有人脸识别模块的同时，新增了人脸安全模块。
01/人脸安全介绍
目前，刷脸技术已经在生活中得到了广泛的应用，技术在带来便利的同时，也需要考虑到安全问题。腾讯可信人脸安全技术通过构建立体的人脸安全技术体系，可以对物理介质攻击、数字内容合成攻击和对抗攻击实现全面覆盖，为人脸信息的应用提供安全可靠的保障。
TFace项目中的腾讯可信人脸安全技术已经为多款腾讯产品提供人脸安全能力支撑。同时，通过腾讯云慧眼、微信开放平台等平台，为行业提供人脸安全服务。
可信人脸安全具体包括介质检测、内容取证和对抗攻防等关键技术。
·介质检测
针对纸片面具、硅胶头模、手机屏幕翻拍等以物理介质呈现的攻击进行防御，并提出特征解耦，自适应特征学习等方法，有效提升模型精度和泛化能力。
·内容取证
针对基于生成对抗网络、3D建模等方法合成、编辑的人脸内容进行取证，同时研发图像取证和视频取证算法，全面覆盖整脸生成，人脸替换，表情驱动，属性编辑等类型。
·对抗攻防
探索新型的人脸对抗攻击方式，同时针对数字对抗攻击和物理对抗攻击进行全面防御。
02/人脸安全算法介绍
·介质检测
1、ANRL 一种自适应选择特征正则化的域泛化活体检测算法，发表于ACM MM-2021。自适应地融合批正则化和实例正则化，并结合元学习框架，重点学习AFNM模块，同时提出双重校准约束，提升泛化性。
文章链接：
https://dl.acm.org/doi/pdf/10.1145/3474085.3475279
2、DCN 一种基于结构解构和内容重组的活体检测算法，发表于IJCB-2021。该方法首先通过结构打乱模块，破坏图片的内容信息，保证算法忽略和攻击本质无关的内容；其次通过内容重组模块，引入不同子域不同类别的内容块，通过比较这些块的异同，引导算法抽取更加关键的特征，提升最终的活体检测效果。
文章链接：
https://arxiv.org/pdf/2107.10628.pdf
·内容取证
1、DCL 一种基于双重对比学习的人脸伪造图像检测技术，发表于AAAI-2022，主要的的思路是针对性地构造了不同种类的样本对，并在不同粒度上进行对比学习得到更泛化的特征表示。
文章链接：
https://arxiv.org/abs/2112.13522
2、STIL 一种关注视频帧间不一致性的视频编辑检测方法, 发表于ACM MM-2021。主要思路是, 结合多尺度的 2D 注意力模块关注空间不一致性, 利用前后相邻帧间的特征图差异关注时间不一致性, 构建双流网络将空间和时序不一致性特征进行互补增强。
文章链接:
https://arxiv.org/abs/2109.01860
·对抗攻防
1、Adv-Makeup 一种新型的基于彩妆的隐蔽式人脸识别对抗攻击技术，发表于IJCAI-2021。该方法首先通过生成对抗网络生成真实风格的彩妆，并设计融合网络实现逼真的上妆过程，最后采用基于元学习的对抗攻击策略实现迁移性强的对抗彩妆。
文章链接：
https://arxiv.org/abs/2105.03162
03/人脸识别
在人脸识别模块中，本次更新重点优化了如下几个模块：
1、DataLoader
针对训练中大规模数据读取场景，优化了TFRecord数据格式的读取速度和DataLoader的内存占用，在训练数据存储在cephfs分布式系统的情况下，相同训练任务，提速约12%。
2、Hook
新增Hook(钩子)机制，对训练过程中常用的模型加载和存储、学习率调整、日志打印进行了抽象和解耦，训练代码更简洁。
3、模型库
本次更新除了开放真人人脸识别模型外，我们还开放了卡通人脸识别模型，可以识别常见的卡通人脸角色，在开源的iCartoonFace数据集上单模型达到了SOTA水平。最后在我们还增加了模型转换和部署模块，提供了Pytorch模型到TNN模型的转换工具以及调用样例，方便用户使用。
TFace的目标是打造一套完备的可信人脸技术方案，后续我们将会持续更新在相关领域中的最新工作，敬请期待。
开源地址：https://github.com/Tencent/TFace
