{"notes":[{"id":"face-antispoofing/fas-challenge","category":"face-antispoofing","legacyPath":"face-antispoofing/2404-fas-challenge","legacySlug":"2404-fas-challenge","legacyPaths":[],"title":"FAS-Challenge","subtitle":"兵器譜","author":"Z. Yuan","paperDate":"2024-04-09","publishedOn":"2025-06-02","paperTitle":"Unified Physical-Digital Attack Detection Challenge","paperUrl":"https://arxiv.org/abs/2404.06211","bibliography":{"title":"Unified Physical-Digital Attack Detection Challenge","authors":["Haocheng Yuan","Ajian Liu","Junze Zheng","Jun Wan","Jiankang Deng","Sergio Escalera","Hugo Jair Escalante","Isabelle Guyon","Zhen Lei"],"url":"https://arxiv.org/abs/2404.06211","pdfUrl":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/papers/Yuan_Unified_Physical-Digital_Attack_Detection_Challenge_CVPRW_2024_paper.pdf","codeUrl":null,"preprint":{"id":"2404.06211","submittedOn":"2024-04-09","url":"https://arxiv.org/abs/2404.06211"},"publication":{"venue":"CVPR Workshops","year":2024,"kind":"conference","url":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/Yuan_Unified_Physical-Digital_Attack_Detection_Challenge_CVPRW_2024_paper.html"},"citation":"@misc{faceantispoofingfaschallenge2024,\n  title = {{Unified Physical-Digital Attack Detection Challenge}},\n  author = {Haocheng Yuan and Ajian Liu and Junze Zheng and Jun Wan and Jiankang Deng and Sergio Escalera and Hugo Jair Escalante and Isabelle Guyon and Zhen Lei},\n  year = {2024},\n  eprint = {2404.06211},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2404.06211}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/fas-challenge.eddf4ef3db76.bib"},"thumbnail":{"src":"/content/papers/assets/464c459e92910d60b294a2bf19148fa790db0c5b203d5359f65ef70b8b183a47.jpg","width":1224,"height":664},"locale":"ja","path":"/content/papers/ja/face-antispoofing/fas-challenge.acabb1c7f773.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"統一データセットuniattackdata","text":"統一データセット：UniAttackData","depth":2},{"id":"評価プロトコルと汎化の設計","text":"評価プロトコルと汎化の設計","depth":3},{"id":"日程と競技ルール","text":"日程と競技ルール","depth":3},{"id":"評価指標","text":"評価指標","depth":3},{"id":"兵器譜","text":"兵器譜","depth":2},{"id":"1-mtface","text":"1. MTFace","depth":3},{"id":"2-searecluse","text":"2. SeaRecluse","depth":3},{"id":"3-duileduile","text":"3. duileduile","depth":3},{"id":"4-bsp-idiap","text":"4. BSP-Idiap","depth":3},{"id":"5-vai-face","text":"5. VAI-Face","depth":3},{"id":"6-llw","text":"6. L&L&W","depth":3},{"id":"7-sarm","text":"7. SARM","depth":3},{"id":"8-m2-purdue","text":"8. M2-Purdue","depth":3},{"id":"9-cloud-recesses","text":"9. Cloud Recesses","depth":3},{"id":"10-image-lab","text":"10. Image Lab","depth":3},{"id":"11-bovifocr-ufpr","text":"11. BOVIFOCR-UFPR","depth":3},{"id":"12-inria-cenatav-tec","text":"12. Inria-CENATAV-Tec","depth":3},{"id":"13-vicognit","text":"13. Vicognit","depth":3},{"id":"実験結果の考察","text":"実験結果の考察","depth":2},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{"問題定義":"問題の定義","評価プロトコルと一般化設計":"評価プロトコルと汎化の設計","大会スケジュールとルール":"日程と競技ルール","議論":"実験結果の考察"},"guide":null,"relatedReading":[{"id":"face-antispoofing/pd-fas","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/la-softmoe","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/shield","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"}]},{"id":"face-antispoofing/pd-fas","category":"face-antispoofing","legacyPath":"face-antispoofing/2404-pd-fas","legacySlug":"2404-pd-fas","legacyPaths":[],"title":"PD-FAS","subtitle":"幻影の演武場","author":"Z. Yuan","paperDate":"2024-04-12","publishedOn":"2025-05-31","paperTitle":"Joint Physical-Digital Facial Attack Detection Via Simulating Spoofing Clues","paperUrl":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.html","bibliography":{"title":"Joint Physical-Digital Facial Attack Detection Via Simulating Spoofing Clues","authors":["Xianhua He","Dashuang Liang","Song Yang","Zhanlong Hao","Hui Ma","Binjie Mao","Xi Li","Yao Wang","Pengfei Yan","Ajian Liu"],"url":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.html","pdfUrl":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/papers/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.pdf","codeUrl":"https://github.com/Xianhua-He/cvpr2024-face-anti-spoofing-challenge","preprint":{"id":"2404.08450","submittedOn":"2024-04-12","url":"https://arxiv.org/abs/2404.08450"},"publication":{"venue":"CVPR Workshops","year":2024,"kind":"workshop","url":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.html"},"citation":"@misc{faceantispoofingpdfas2024,\n  title = {{Joint Physical-Digital Facial Attack Detection Via Simulating Spoofing Clues}},\n  author = {Xianhua He and Dashuang Liang and Song Yang and Zhanlong Hao and Hui Ma and Binjie Mao and Xi Li and Yao Wang and Pengfei Yan and Ajian Liu},\n  year = {2024},\n  eprint = {2404.08450},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2404.08450}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/pd-fas.5e99845a7b35.bib"},"thumbnail":{"src":"/content/papers/assets/8dc381495a96275b801a46e04453cd17b3f9e57bd88fb93f6c757d74d930300f.jpg","width":1224,"height":516},"locale":"ja","path":"/content/papers/ja/face-antispoofing/pd-fas.5582c272de12.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"simulated-physical-spoofing-clues","text":"Simulated Physical Spoofing Clues","depth":3},{"id":"simulated-digital-spoofing-clues","text":"Simulated Digital Spoofing Clues","depth":3},{"id":"データセットuniattackdata","text":"データセット：UniAttackData","depth":3},{"id":"評価指標apcer--bpcer--acer","text":"評価指標：APCER / BPCER / ACER","depth":3},{"id":"実験設定と訓練の詳細","text":"実験設定と訓練の詳細","depth":3},{"id":"実験結果の考察","text":"実験結果の考察","depth":2},{"id":"sota-手法との比較","text":"SOTA 手法との比較","depth":3},{"id":"三つのプロトコル","text":"三つのプロトコル","depth":3},{"id":"モジュールの寄与","text":"モジュールの寄与","depth":3},{"id":"バックボーンの比較","text":"バックボーンの比較","depth":3},{"id":"可視化分析","text":"可視化分析","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{"問題定義":"問題の定義","解決策":"問題の解決","データセット設定uniattackdata":"データセットuniattackdata","実験設定および訓練詳細":"実験設定と訓練の詳細","議論":"実験結果の考察","3-つのプロトコル別シナリオ":"三つのプロトコル","モジュール別効果分解":"モジュールの寄与","バックボーン検証":"バックボーンの比較","可視化解析":"可視化分析"},"guide":null,"relatedReading":[{"id":"face-antispoofing/fas-challenge","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/la-softmoe","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/shield","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"}]},{"id":"face-antispoofing/la-softmoe","category":"face-antispoofing","legacyPath":"face-antispoofing/2408-la-softmoe","legacySlug":"2408-la-softmoe","legacyPaths":[],"title":"La-SoftMoE","subtitle":"希薄な亀裂","author":"Z. Yuan","paperDate":"2024-08-23","publishedOn":"2025-06-05","paperTitle":"La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection","paperUrl":"https://ieeexplore.ieee.org/document/10744523/","bibliography":{"title":"La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection","authors":["Hang Zou","Chenxi Du","Hui Zhang","Yuan Zhang","Ajian Liu","Jun Wan","Zhen Lei"],"url":"https://ieeexplore.ieee.org/document/10744523/","pdfUrl":"https://arxiv.org/pdf/2408.12793v1","codeUrl":null,"preprint":{"id":"2408.12793","submittedOn":"2024-08-23","url":"https://arxiv.org/abs/2408.12793"},"publication":{"venue":"IJCB","year":2024,"kind":"conference","url":"https://ieeexplore.ieee.org/document/10744523/"},"citation":"@misc{faceantispoofinglasoftmoe2024,\n  title = {{La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection}},\n  author = {Hang Zou and Chenxi Du and Hui Zhang and Yuan Zhang and Ajian Liu and Jun Wan and Zhen Lei},\n  year = {2024},\n  eprint = {2408.12793},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2408.12793}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/la-softmoe.b7bb83a867c2.bib"},"thumbnail":{"src":"/content/papers/assets/fa15672037bb88bafa6c667327861cab99ddb388d3446d1d992f653f052f3d3c.jpg","width":1224,"height":572},"locale":"ja","path":"/content/papers/ja/face-antispoofing/la-softmoe.a59839c5f537.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"softmoe-モジュール設計","text":"SoftMoE モジュール設計","depth":3},{"id":"la-softmoe","text":"La-SoftMoE","depth":3},{"id":"実装の詳細","text":"実装の詳細","depth":3},{"id":"考察","text":"考察","depth":2},{"id":"実験結果の分析uniattackdata","text":"実験結果の分析（UniAttackData）","depth":3},{"id":"混合データセットでの試験jfsfdb","text":"混合データセットでの試験（JFSFDB）","depth":3},{"id":"prompt-robustness-の試験","text":"Prompt Robustness の試験","depth":3},{"id":"消融実験","text":"消融実験","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{"討論":"考察","実験結果解析uniattackdata":"実験結果の分析uniattackdata","クロスデータセット汎化テストjfsfdb":"混合データセットでの試験jfsfdb","prompt-robustness-テスト":"prompt-robustness-の試験"},"guide":null,"relatedReading":[{"id":"face-antispoofing/fas-challenge","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/pd-fas","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/shield","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"}]},{"id":"face-antispoofing/shield","category":"face-antispoofing","legacyPath":"face-antispoofing/2402-shield","legacySlug":"2402-shield","legacyPaths":[],"title":"SHIELD","subtitle":"教えてください、なぜ？","author":"Z. Yuan","paperDate":"2024-02-06","publishedOn":"2025-04-14","paperTitle":"SHIELD: An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models","paperUrl":"https://arxiv.org/abs/2402.04178","bibliography":{"title":"SHIELD: An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models","authors":["Yichen Shi","Yuhao Gao","Yingxin Lai","Hongyang Wang","Jun Feng","Lei He","Jun Wan","Changsheng Chen","Zitong Yu","Xiaochun Cao"],"url":"https://arxiv.org/abs/2402.04178","pdfUrl":"https://arxiv.org/pdf/2402.04178","codeUrl":"https://github.com/laiyingxin2/SHIELD","preprint":{"id":"2402.04178","submittedOn":"2024-02-06","url":"https://arxiv.org/abs/2402.04178"},"publication":{"venue":"Visual Intelligence","year":2025,"kind":"journal","url":"https://link.springer.com/article/10.1007/s44267-025-00079-w"},"citation":"@misc{faceantispoofingshield2024,\n  title = {{SHIELD: An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models}},\n  author = {Yichen Shi and Yuhao Gao and Yingxin Lai and Hongyang Wang and Jun Feng and Lei He and Jun Wan and Changsheng Chen and Zitong Yu and Xiaochun Cao},\n  year = {2024},\n  eprint = {2402.04178},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2402.04178}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/shield.ebbdc10267ba.bib"},"thumbnail":{"src":"/content/papers/assets/5d3709702bad757e66d898b25d1a408af7c67dc9e6aa265f6bd2f7578cd62395.jpg","width":1224,"height":884},"locale":"ja","path":"/content/papers/ja/face-antispoofing/shield.d3013a309cba.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"実験結果と考察","text":"実験結果と考察","depth":2},{"id":"fas-の試験結果","text":"FAS の試験結果","depth":3},{"id":"ffd-の試験結果","text":"FFD の試験結果","depth":3},{"id":"unified-task-の試験結果","text":"Unified Task の試験結果","depth":2},{"id":"ma-cot-の試験結果","text":"MA-COT の試験結果","depth":2},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{"問題解決":"問題の解決","討論":"実験結果と考察","fas-テスト結果":"fas-の試験結果","ffd-テスト結果":"ffd-の試験結果","unified-task-テスト結果":"unified-task-の試験結果","ma-cot-実験結果":"ma-cot-の試験結果"},"guide":null,"relatedReading":[{"id":"face-antispoofing/fas-challenge","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/pd-fas","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"},{"id":"face-antispoofing/la-softmoe","relation":"comparison","topic":"物理的・デジタルな顔攻撃の統合検出"}]}],"text":"これは CVPR 2024 で開催された FAS のコンペティションです。正式名称は次のとおり。\n\n[**5th Chalearn Face Anti-spoofing Workshop and Challenge@CVPR2024**](https://sites.google.com/view/face-anti-spoofing-challenge/welcome/challengecvpr2024)\n\n実ににぎやかで、FAS に携わる人なら覗いてみたくなる場です。\n\n## 問題の定義\n\nFace Anti-Spoofing（FAS）の仕事を突き詰めると、画像から「生きた顔」の文法を探し出すことです。\n\nところが実際の攻撃は、二つの並行した技術分野で発展してきました。\n\n- **物理攻撃（Physical Attacks、PA）**：写真、画面、シリコーンマスクなど、実体のある媒体で顔を提示します。妨害は主にセンサーの前で起こり、現実世界と直接やり取りします。\n- **デジタル攻撃（Digital Attacks、DA）**：Deepfake、顔交換、敵対的サンプルなど、画像の生成元や特徴を操作します。映像は本物らしく見えても、作り物です。\n\n従来の方法は片方だけを対象にすることが多く、訓練分布の外へ広く移るのは難しい。\n\n最終的な分類ではどちらも fake ですが、画像の統計や変化の方向は大きく異なります。同じ偽顔クラスの中でも特徴間の距離が広がり、汎化を難しくします。\n\n統一モデルを作りにくい理由は、大きく二つあります。\n\n1. **大規模な統一データセットがない**：別々に集めた PA と DA のデータを足すだけでは、同一人物に対する一通りの攻撃を揃えられません。\n2. **共通の評価基準がない**：物理攻撃とデジタル攻撃で指標やプロトコルが異なれば、分野をまたぐ手法の比較も揃いません。\n\nこれが **Unified Physical-Digital Attack Detection Challenge** の出発点です。新たなデータセット、標準プロトコル、公開競技を通して、次の問いに向き合います。\n\n> **一つのモデルで性質の違う二種類の偽物に対応し、未知の領域でも見分けられるだろうか？**\n\n## 統一データセット：UniAttackData\n\n\n\n![uniattackdata](/content/papers/assets/abaaaf34c640c745a0165cb4fde1efa2787959e96a4d4e845b7223c293abbaea.jpg)\n\n\n\n**UniAttackData** は論文発表時、公開されている物理・デジタル統一攻撃データセットとして最大規模でした。**1,800 人、計 28,706 本の顔動画**からなり、上の図にはコンペティションの各プロトコルにおけるデータの分割が示されています。動画の内訳は次のとおりです。\n\n- **Live**：本物の顔の動画 1,800 本\n- **Physical Attacks（PA）**：印刷物と画面の再生攻撃、5,400 本\n- **Digital Attacks（DA）**：Deepfake、顔交換、敵対的サンプルなど、21,506 本\n\n特徴は、**一人ひとりに一通りの攻撃種が用意されている**こと。人物と攻撃の種類が混同される危険を減らします。ただし、各プロトコルの真偽のサンプル数には偏りがあります。\n\n競技で配布するデータは、まず動画から顔を切り出し、各動画から一フレームを選びます。ファイル名も振り直して、元の名前から攻撃種などが漏れないようにしています。それでも、画素に別の近道となる手掛かりが残らない保証はありません。\n\n### 評価プロトコルと汎化の設計\n\nコンペティションには二つの主要なプロトコルがあり、現実にモデルを使う際の異なる場面を想定します。\n\n- **Protocol 1：Unified Attack Detection**\n  PA と DA を一つのモデルで同時に見分ける状況です。混在する攻撃をまとめて分類できるかを調べます。\n\n- **Protocol 2：Generalization to Unseen Attacks**\n  訓練時に見ていない攻撃の大分類へ汎化できるかを試し、さらに二つに分かれます。\n\n  - **Protocol 2.1：Unseen Physical Attacks**。訓練セットに PA はなく、テストセットは PA です。\n  - **Protocol 2.2：Unseen Digital Attacks**。訓練セットに DA はなく、テストセットは DA です。\n\n物理かデジタルの攻撃群をテストまで残す設計です。\n\n---\n\n### 日程と競技ルール\n\nCodaLab 上の競技は二段階で進みます。\n\n- **Development Phase（2 月 1～22 日）**\n  ラベル付き訓練データとラベルなし開発データが提供されます。参加者は開発データの予測を繰り返し提出し、ランキングのフィードバックを得てモデルを調整できます。\n\n- **Final Phase（2 月 23 日～3 月 3 日）**\n  開発データのラベルと、ラベルなしのテストデータが公開されます。テストの正解ラベルを知らないまま最終予測を提出します。最後の提出が正式な得点となり、受賞にはコードと技術説明書（fact sheet）の公開も求められます。\n\n---\n\n### 評価指標\n\nコンペティションは ISO/IEC 30107-3 の指標を用い、偽物を見分ける能力を次の値で測ります。\n\n- **APCER**（Attack Presentation Classification Error Rate）：攻撃を本物として受け入れる誤り。\n- **BPCER**（Bona Fide Presentation Classification Error Rate）：本物を攻撃として拒む誤り。\n- **ACER**（Average Classification Error Rate）：APCER と BPCER の平均。\n- **AUC**（Area Under the ROC Curve）：閾値を動かしたときの識別能力。\n\n主な順位は ACER で決め、AUC は補助指標です。最終テストの ACER は、開発セットの Equal Error Rate（EER）で決めた閾値を使って算出します。\n\n---\n\n## 兵器譜\n\n\n\n![participants](/content/papers/assets/bc0330001d4cbd12946f685a951558a36380cee0322993e8b4d39ed656ccf0cd.jpg)\n\n\n\nここからは決勝へ進んだ 13 チームの技術を見ていきます。それぞれどんな武器を持ち込んだのか、順に確かめましょう。\n\n### 1. MTFace\n\n\n\n![mtface](/content/papers/assets/464c459e92910d60b294a2bf19148fa790db0c5b203d5359f65ef70b8b183a47.jpg)\n\n\n\n物理とデジタル、両方の攻撃を扱うこの競技で、**MTFace** は最終的な優勝案を出しました。\n\n手法名は長く、次のように呼ばれます。\n\n> **Optimized Data Augmentation for Comprehensive Face Attack Detection Across Physical and Digital Domains**\n\n長い名前ですが、問いは明快です。訓練中に、いかに「多様で本物らしい偽顔」をモデルに見せるか。\n\n設計の中心は、**データ拡張と損失の重み付け**を一緒に考えたことです。\n\nまず前処理をします。\n\n1. **顔の検出と切り出し**：すべての画像で顔を見つけ、枠を外側へ 20 pixels 広げて周辺の手掛かりも残します。\n2. **顔マスクの抽出**：live データから顔のマスクを先に取り出し、後の拡張に使います。\n\n次に、プロトコルごとの汎化課題に合わせて二種類の拡張を用意します。\n\n- **モアレの模擬**（Protocol 1 と 2.1）\n  画面を再撮影するとモアレが現れることがあります。MTFace はその干渉を画像に加え、物理攻撃に見られる手掛かりを学習中に見せます。\n\n- **自己ブレンディング**（Protocol 1 と 2.2）\n  live 画像を土台に、色や空間の変換、マスクの変形を加えてデジタル攻撃らしい顔を作ります。Deepfake 系の攻撃に備えるためです。\n\nプロトコルによって live と fake のサンプル数は大きく違います。このままでは数の多い側へモデルが引っ張られ、少ない側を見落としかねません。\n\nそこで cross-entropy の live:fake の損失重みを、次のように調整しました。\n\n- **Protocol 1：1:1**。両側を同じ重さで扱います。\n- **Protocol 2.1（未知の PA）：5:1**。真顔側の重みを高めます。\n- **Protocol 2.2（未知の DA）：2:1**。この設定に合わせて、真顔と偽顔の影響を調整します。\n\n拡張と重み付けを組み合わせたのが、MTFace の三つのプロトコルにおける訓練方法です。論文は個々の重み付けだけのアブレーション結果を示していません。\n\nバックボーンは **ImageNet で事前学習した ResNet-50**。ViT でも独自の大規模モデルでもありません。データと訓練の作戦で、見事一位を取りました。\n\n### 2. SeaRecluse\n\n**SeaRecluse** はデータの境界と割合に防壁を築きました。\n\n手法名は次のとおりです。\n\n> **Cross-domain Face Anti-spoofing in Unified Physical-Digital Attack Dataset**\n\n大きな変形やスタイル変換を売りにするのではなく、**データの使い方と顔の切り出し方**から、領域をまたぐ課題の安定性を高めようとします。\n\n訓練データの未切り出し画像は、**SCRFD** で顔を検出して切り出します。その際、広めの切り出し（loose crop）と狭めの切り出し（tight crop）を用意し、データ拡張にも使います。\n\nプロトコルによって、データの比率と追加の処理も変えます。\n\n- **Protocol 1**：課題固有の追加拡張はしません。訓練データの 80% と検証データを合わせて学習します。\n- **Protocol 2.1（未知の PA）**：live 画像をダウンサンプリングし、縁を埋めて、真顔のサンプルを元の **3 倍**に増やします。\n- **Protocol 2.2（未知の DA）**：fake 画像を **4 倍と 8 倍**にダウンサンプリングし、合計で元の **7 倍**に増やします。\n\n縦横比が不自然な画像も一部補正し、変形そのものを誤った手掛かりとして覚えないようにします。全課題に反転やランダム切り出しなどの標準的な拡張を使い、P2.1 にはさらに **Gaussian Blur** を加えてぼけも想定します。\n\nバックボーンは **ConvNeXt V2**。チームは競技の条件と手元の訓練資源も考慮して選んだと説明します。\n\n汎化のため、訓練には次の二つも加えました。\n\n- **Image CutMix**：画像とラベルを混ぜ、空間的な変化に対応させます。\n- **Label Smoothing**：硬いラベルを柔らかくして、過度な当てはまりを抑えます。\n\nただし、この論文は CutMix と Label Smoothing が不均衡なデータにそれぞれどれほど効いたかを、別々には測っていません。\n\nSeaRecluse のやり方は大なたを振るうものではありません。壁を一段ずつ積むように、各課題の比率と切り出しの尺度を詰めていきます。\n\n忍耐強く、データの分割と顔領域を扱う解法です。\n\n### 3. duileduile\n\n\n\n![duileduile](/content/papers/assets/1e6fea2843b31ed1b866cdf9b4e6a123bdced8199f72e1e7095ed9ec70310bc6.jpg)\n\n\n\n**duileduile** は、二段階で学習するモジュール構成を選びました。真顔と偽顔の間で変わる境界へ、抽象的な視覚表現で向き合います。中心となる組み合わせは、\n\n> **Swin Transformer + Masked Image Modeling + 物理・デジタル攻撃に応じた拡張**\n\nです。\n\nバックボーンの **Swin-Large Transformer** からは、1,536 次元の特徴を取り出します。\n\n**事前学習**には **simMIM（Simple Masked Image Modeling）** を使います。画像を重ならないパッチに分け、一部をランダムに隠し、「欠けた部分から全体を復元する」よう学習させます。\n\nラベルなしの訓練・開発画像を使う自己教師ありの段階です。マスクされた入力から表現を学びますが、これだけが遮蔽攻撃や Protocol 2 の得点にどう寄与したかは個別に測られていません。\n\n続く **微調整（Fine-tuning）** では、攻撃の種類を考えた拡張を使います。\n\n- **Gaussian Noise**：デジタル攻撃に伴う画素の乱れや圧縮痕跡を模擬します。\n- **ColorJitter + Moire Pattern + Gamma Correction**：表示や照明の変化、物理攻撃の見え方を模擬します。\n\nすべての画像に一律に加えるのではなく、訓練サンプルとプロトコルに応じて確率的に適用します。毎回少し違う妨害を見せるわけです。\n\n前の二チームが拡張や比率を中心にしたのに対し、duileduile は二段階のバックボーンと訓練設定を各プロトコルで共通にしました。これも競技での一つの実装上の選択です。\n\n### 4. BSP-Idiap\n\n\n\n![bsp-idiap](/content/papers/assets/77e9cb3000506ae74c0813329c67a40ac0673827fbd80f7b08fc5d66ac23ef9e.jpg)\n\n\n\n**BSP-Idiap** は少し違う道を選びます。**信号そのもののテクスチャのリズム**に戻り、周波数から偽物の痕跡を探すのです。\n\n手法は **DBPixBiS（Dual-Branch Pixel-wise Binary Supervision）**。前作の発想を二分岐に広げました。\n\n1. **RGB 分岐**：通常の畳み込みに代えて **Central Difference Convolution（CDC）** を用い、局所的なテクスチャや境界の変化を強調します。\n2. **Fourier 分岐**：画像を Fourier 変換して別の特徴経路へ入れ、繰り返し模様や干渉、圧縮の残りなど、周波数側の手掛かりを探します。\n\n画面に「見える顔」と、信号に「残る偽物」の両方を見る構成です。\n\n訓練にも二つの仕掛けがあります。\n\n- **Pixel-wise Binary Supervision**：画像一枚だけでなく、feature map 上の各画素へ二値の監督を与えます。\n- **Attentional Angular Margin Loss**：live と spoof の特徴を角度上でも離し、分類の境界を明確にする狙いです。\n\nテスト時は feature map 全体を平均し、その **mean activation** を最終的な spoof のスコアにします。\n\n### 5. VAI-Face\n\n\n\n![vaiface](/content/papers/assets/6dd8804bb526c7bffb78a4d3340baf864ca009bc24d0ef8086e3ea8452094380.jpg)\n\n\n\n統一検出の戦場で、仕組みを作るチームも、信号へ戻るチームもありました。**VAI-Face** の道はまた別です。**異常を作り、見分ける力を鍛える。**\n\n中心に置くのは **DINOv2 Vision Transformer（ViT-Large）**。変形した顔の破綻を、視覚的な注意から見つけたいのです。\n\n大きな特徴は、**live と fake を対称に拡張しない**こと。二つを異質なデータとして扱います。\n\n- **Live 画像**：**RandomResizedCrop** と **HorizontalFlip** だけを使い、自然な画像分布と幾何を保ちます。\n- **Fake 画像**：それに加えて **Blur**、**Distortion**、**Custom Cutout** などを施し、偽顔にあり得る不自然な痕跡や形の崩れを模擬します。\n\nこうして ViT に幾何とテクスチャの異常を学ばせようとします。\n\n学習設定にも細かい工夫があります。\n\n- **OneCycleLR**：学習率の上げ下げを調整します。\n- **Label Smoothing**：特定の見え方へ自信過剰にならないようにします。\n- **Mixup Augmentation**：二つの画像とラベルを混ぜ、サンプルの間の境界も見せます。\n- **ADAN optimizer**：適応的な勾配と運動量を使います。\n\nViT-Large の広い範囲の関係を扱う能力を生かし、追加の分岐や生成器を増やさずに、画像の乱れと学習曲線を調整しました。ただし、どの設定が得点を押し上げたかを順位表だけから切り分けることはできません。\n\n### 6. L&L&W\n\n多くのモデルが顔全体を一度に見て判定する中、**L&L&W** は局所から攻めます。一枚の顔を細かく分けて、真偽の手掛かりをつなぎ合わせようとするのです。\n\n戦略の中心は、\n\n> **Patch-based Feature Learning + 周波数を意識したサンプリング + 局所注意**\n\nです。\n\n画像をパッチへ分け、それぞれの領域の特徴を学習します。そこへ **Centre Difference Attention（CDA）** を入れ、あるはずのない小さな変化に目を向けます。輪郭のにじみ、位置のずれ、融合の失敗などが候補になります。\n\n空間だけでなく、周波数側にも目を向けます。**High-Frequency Wavelet Sampler（HFWS）** は高周波成分を拾い、圧縮の痕跡や不自然なテクスチャの跳びを手掛かりにします。\n\n局所注意と高周波を合わせた方法ですが、論文は二つのモジュールの改善量を個別には測っていません。\n\n検証とテストでは、一枚につき **36 個の切り出し画像**を作り、その予測スコアを平均します。\n\n### 7. SARM\n\n**SARM** の設計は、複雑な形を加えることより、「教える側をもう一度訓練する」過程にあります。\n\n手法名は、\n\n> **Multi-Attention Training（MAT）+ Label Flip Augmentation**\n\nです。\n\n大まかには、まず課題を理解する検出器を作り、それを各攻撃に合わせて微調整します。二段階で進みます。\n\n1. **第一段階**：P1、P2.1、P2.2 それぞれの事前学習済み検出器を、**Supervised Contrastive Learning** で訓練します。live と fake の表現を離す狙いです。\n2. **第二段階**：第一段階の重みから微調整し、最終的な FAS モデルを作ります。\n\n課題ごとの表現を先に作り、直接 end-to-end で始めたときに見当違いの特徴へ進む危険を抑えようとします。とくに P2.1、P2.2 のような汎化課題を意識した設計です。\n\nデータ拡張の要点は、**本物の顔を加工して偽物として扱う**こと。\n\nOpenCV を使った **style transformation** で弱い合成攻撃を模擬します。P2.1 と P2.2 の訓練画像に施すものですが、論文は色相、照明、gamma、フィルターの細かい設定までは列挙していません。\n\n加工した live 画像には **spoof** ラベルを付け、**label-flip augmentation** の訓練例とします。著者らは訓練とテストの隔たりを縮める狙いを述べますが、この「弱い攻撃例」を独立した実攻撃カテゴリとして定義してはいません。\n\n最適化には **Adam**、cross-entropy と supervised contrastive loss を組み合わせます。P1 では一般的な訓練、P2.1 と P2.2 ではさらに label-flip を使います。各段階の収束曲線は報告されていません。\n\n課題を前もって理解した表現に、最終モデルの学習を導かせる方法です。\n\n### 8. M2-Purdue\n\n\n\n![m2-purdue](/content/papers/assets/f566fec61190796a2eb3bc67c9ef234c29c92d63125d30cf963c9ea6e8728921.jpg)\n\n\n\n**M2-Purdue** は別の作戦を持ち込みました。\n\n複雑な構成や強い拡張を足す代わりに、CLIP の視覚表現と「損失の大きい側を重視する」設計を合わせます。手法名は、\n\n> **Robust Face Attack Detection with CLIP + MLP + CVAR–AUC Loss Fusion**\n\nです。\n\n画像を **224×224** に揃えてから、**CLIP の image encoder** で特徴を取り出します。ここで新しい表現を一から作るのではなく、大量の画像を見てきたモデルの力を借ります。後ろには三層の **MLP 分類器**を置き、FAS の判定を学習させます。論文には MLP の微調整が書かれていますが、画像エンコーダが更新されないことまで実験で確定したわけではありません。モバイル機器での負荷も測っていません。\n\n特徴的なのは、二種類の目的を混ぜた損失です。\n\n- **CVAR（Conditional Value at Risk）損失**：金融のリスク管理でも使われる考え方で、誤りが大きくなりやすい末尾のサンプルを重視します。\n- **AUC（Area Under Curve）損失**：全体として正しい順に真偽を並べられるかを重視します。\n\n損失全体は次のとおりです。\n\n$$\n\\mathcal{L} = \\lambda \\cdot \\mathcal{L}_{\\mathrm{CVAR}} + (1 - \\lambda) \\cdot \\mathcal{L}_{\\mathrm{AUC}}\n$$\n\n$\\lambda$ で「難しい例での損失」と「全体の順位付け」の比率を調整します。\n\n全面的に正しくなくても、**いちばん間違えやすいところで、間違いを減らす**。この発想が中心です。\n\n訓練については、論文本文は **Adam**、上の構成図は **SAM optimizer** と記しており一致しません。この競技報告だけでは実際の設定を決められません。CLIP の特徴と末尾リスク・AUC の損失を用いる設計ですが、収束の安定性や運用時の負荷は独立に検証されていません。\n\n### 9. Cloud Recesses\n\n\n\n![cloud-recesses](/content/papers/assets/5e9de9ea310c03c41102d3181a9b1dc95eeedf539f7efca3fd3021f215f5bf4a.jpg)\n\n\n\n偽物を探すとは顔の破綻を探すことだとすれば、**Cloud Recesses** は逆から考えます。**見つけやすい場所を隠し、もっと目立たない信号から真偽を学ばせる**のです。\n\n手法名は、\n\n> **Random Masking for Face Anti-Spoofing Detection**\n\nです。\n\n訓練画像の大事な部分を隠し、目や口がよく見えなくても生体を判別させます。流れは三段階です。\n\n1. **顔検出**：**RetinaFace** で顔を切り出し、**256×256** に揃えます。\n2. **ランドマーク検出**：**dlib** の 68 点で目、鼻、口などの位置を調べます。\n3. **ランダム遮蔽**：各訓練画像の**3～5 箇所**を隠し、特定の顔の部位だけに頼りにくくします。\n\nこれは訓練用の拡張です。ユーザーの顔を推論時に黒く塗るという話ではありません。実際にモデルが皮膚のテクスチャや輪郭を学んだかは、論文では確認されていません。動画の動きによるぼけを、この方法の特徴として使ったわけでもありません。\n\nバックボーンは **EfficientNet**。隠れた部分があっても真偽を分類させます。ただし、遮蔽だけの効果を示すアブレーションはありません。\n\n追加の分岐も融合器もありません。顔から目立つ手掛かりを取り払い、暗がりでも真偽を見分けられるかを試すわけです。\n\n### 10. Image Lab\n\n\n\n![image_lab](/content/papers/assets/c3a5a413f16232aa72c2683955c30b8cee46ecc2b2a0782e0ef2e4fb0990788c.jpg)\n\n\n\nFAS ではモデルに「よく見せる」ことを考えがちですが、**Image Lab** は「何度も、異なる深さで見せる」道を選びました。\n\n> **Multiattention-Net：多層の注意を組み合わせた深い視覚認識ネットワーク**\n\n画像の複数の尺度と注意を合わせ、異常の手掛かりを探します。\n\n最初は **7×7 畳み込み**で局所のテクスチャを拾います。その後、**十個の modified squeezed residual block** を連ね、残差ブロック群の間に **max pooling** を置いてダウンサンプリングします。段階を進むにつれ、より広い空間の情報を扱う構成です。\n\n各段階の特徴を集め、**Dual Attention Block** でチャネルと空間の重要な部分へ重みを置きます。細部と構造の両方から偽装を探す狙いです。\n\n最後は **Global Average Pooling（GAP）** で次元を下げ、各層の出力を連結して全結合層へ送ります。\n\n訓練には **Binary Focal Cross Entropy Loss** を使い、少数クラスや自信を持って間違えた例を重く扱おうとします。原論文の式は次の形です。\n\n$$\n\\mathcal{L}(y, \\hat{y}) = -\\alpha \\cdot (1 - \\hat{y})^\\gamma \\cdot \\log(\\hat{y}) - (1 - \\alpha) \\cdot \\hat{y}^\\gamma \\cdot \\log(1 - \\hat{y})\n$$\n\n$\\hat{y}$ は予測確率、$y$ は真のラベルです。クラス調整を有効にしたとき $\\alpha=0.25$、焦点パラメータ $\\gamma=3$ とされています。ただし、原論文の式（2）には $y$ に応じた正負の切り替えがなく、この式だけから実際の binary focal loss の実装は再現できません。ImageLab の ACER は **34.9434%**。収束が速くなったかどうかも、別には測られていません。\n\n### 11. BOVIFOCR-UFPR\n\n\n\n![bovifocr-ufpr](/content/papers/assets/f239fb6a410a1c33d1884c1204a2495ed2de229c88eb21b8da55748f33adac4d.jpg)\n\n\n\n偽物を見分ける競技で、**BOVIFOCR-UFPR** は二次元の画像平面から視点を引き上げた少数派です。色やテクスチャだけでなく、**顔の三次元形状を再構成**し、偽物では再現しにくい空間的な不整合を探します。\n\n> **3D Reconstruction + ArcFace + Chamfer Loss**\n\n**3DPC-Net** に着想を得た **Encoder–Decoder** の構成です。\n\n1. **前処理**：顔を検出、整列、切り出します。別の既存手法で、訓練時の参照となる 3D 点群も作ります。\n2. **Encoder**：**ResNet-50** で高次の特徴を取り出します。\n3. **Decoder**：特徴を **3D 点群（Point Cloud）**へ変換し、顔の幾何を予測します。\n\nモデルは単に「似ているか」だけでなく、空間の中で「つじつまが合うか」も問われます。\n\n訓練には二つの損失を合わせます。\n\n- **ArcFace Loss**：分類特徴へ角度の間隔を与えます。図が示す出力は真偽分類です。\n- **Chamfer Distance Loss**：予測点群と事前に再構成した参照点群の距離を測り、幾何を近づけます。\n\nlive/fake の分類に加えて、参照形状に近い点群も出す仕組みです。参照点群は訓練用の教師信号です。\n\n13 チームの中で三次元点群を補助に使った方法ですが、最終 ACER は **35.3620%**。この順位だけで、幾何を使う方法全体の良し悪しは決められません。\n\n画素の細かさから少し離れ、空間的なもっともらしさで防壁を作ろうとする案です。\n\n### 12. Inria-CENATAV-Tec\n\n\n\n![inria-cenatav-tec](/content/papers/assets/921acf3fbe5648b16710095327613c539e075fa75647aa0d1059f8b7f43dc86d.jpg)\n\n\n\n**Inria-CENATAV-Tec** は古典的な問いへ戻ります。\n\n> **計算資源が限られても、安定して偽物を見分けられるだろうか？**\n\n答えとして掲げるのは、**MobileNetV3-spoof with hyperparameter tuning** です。モデルの複雑さと精度の間で釣り合いを探します。\n\n前処理にも慎重な工夫があります。\n\n1. **顔のランドマーク検出**：**ResNet-50** を使います。\n2. **整列と代替経路**：ランドマークが見つかれば **InsightFace template** に合わせ、見つからなければ画像を捨てず、サイズだけを変えて残します。\n\n整列できる顔は揃え、できない画像も除外しない。実際の入力を考えた判断です。\n\nバックボーンには **MobileNetV3-large1.25** を選びます。低電力の端末も意識した畳み込み構成に、**SE attention block** や **h-swish** が入ります。ただし今回の報告に、端末上の遅延や消費電力の測定はありません。\n\n訓練は **SGD optimizer** と **Multi-step Learning Rate** を組み合わせます。切り出しや反転などの拡張に加え、プロトコルごとの平均と標準偏差で画像を正規化します。\n\nプロトコル別の前処理も提出システムの一部ですが、汎化への影響は個別には測られていません。このチームの最終 ACER は **37.3436%** です。\n\n### 13. Vicognit\n\n\n\n![vicognit](/content/papers/assets/1c695becf2285e745f41fdd1c8e19a50fee6bee40ec6873fb147abec3358adb4.jpg)\n\n\n\n参加チームの中で、**Vicognit** は ViT を前面に出した案です。\n\n> **FASTormer：Leveraging Vision Transformers for Face Anti-Spoofing**\n\nTransformer の関係性と系列構造を捉える力で、顔の真偽に必要な規則を学ぼうとします。図では画像を patch に分け、線形射影と位置情報を加え、Transformer encoder と MLP head へ通します。\n\n偽顔と真顔の違いは、顔の大きな幾何より、テクスチャや素材、わずかな乱れに出ることがあります。ViT で広い範囲の関係を見るのは、そのための選択です。\n\n報告は入力データの次元を下げないと述べますが、入力解像度やそれを裏付けるアブレーションは示していません。学習率と weight decay などのパラメータを調整したとも報告しています。一方、図だけでは元解像度を無変換で直接入力したか、追加の拡張を一切使わなかったかまでは分かりません。訓練の細かな処理を推測で補うことはできません。\n\n最終 ACER は **52.1031%**、AUC は **46.7025%**。今回の結果は、「良い汎化が得られた」という判断を支えません。\n\nViT という主幹を選んだ比較結果であり、構造の名前だけでは異なる攻撃への強さを保証できないことも示しています。\n\n## 実験結果の考察\n\n\n\n![result](/content/papers/assets/f4086f2a4c1997a77eed7bb517b610ff0daa10295be048772c2af99ead9b8977.jpg)\n\n\n\n公式の最終結果から、上位五チームについていくつか読み取れます。\n\n1. **ACER では上位三チームがほかを大きく引き離しました**。三位は **5.5111%**、四位は **16.2263%**。\n2. **一位は ACER、AUC、BPCER で表中最良**でした。APCER の最小値は五位です。攻撃を通しにくさと本物を拒まないことには、別々の得手不得手があります。\n3. **上位五チームには企業と研究機関の両方が入ります**。たとえば四位の BSP-Idiap は Idiap Research Institute 所属です。所属だけで得点の差は説明できません。\n4. **ACER の開きは大きく、2.3396% から 52.1031%** まであります。一回の競技だけで、どの種類の構造が一般に最良かは決められません。\n\n順位だけでなく、さまざまなモデルとデータ戦略を共通のプロトコルで比べられた点にも意味があります。\n\n主催者のまとめから、今後確かめたい道は三つあります。\n\n- **道一：バックボーンの容量と成績の関係を確かめる**。大きいモデルが役立つ場面もあるでしょう。ただ、優勝したのは ResNet-50 です。大きさだけで選ぶわけにはいきません。\n- **道二：前処理とクラスのバランスを改善する**。切り出し、拡張、損失の重みを使うチームは多いものの、それぞれの寄与は別々に検証が必要です。\n- **道三：一部の情報が欠けた顔から特徴を学ぶ**。遮蔽や局所特徴は研究の入口になりますが、この報告は手法間の統制したアブレーションを示していません。\n\nこれらは参加案から引き出された研究課題です。順位を、一つの設計判断の因果的な証拠として扱うことはできません。\n\n## 結論\n\nこの競技の観察と主催者の整理から、今後の UAD には三つの課題が残ります。\n\n1. **もっと充実したデータセット**\n\n   UniAttackData は異なる攻撃を同じ人物の下に集める土台を作りました。それでも攻撃種、参加者、画質の多様さには改善の余地があります。敵対的攻撃やスタイル変換型の新しい偽顔に対して、今のサンプルだけで系統的な汎化の検証が十分とは言えません。\n\n2. **視覚言語モデルの知識を使う汎化策**\n\n   CLIP のような視覚言語モデルや、DINOv2 のような視覚の事前学習モデルが持つ表現を、UAD の学習へどう生かすか。事前学習の知識をうまく使えれば、ラベル付き spoof データへの依存を減らせるかもしれません。ただし、その効果はこれから検証すべきものです。\n\n3. **課題と評価基準の再設計**\n\n   今のプロトコルは代表的な場面を扱いますが、物理とデジタルが混ざる攻撃、複数のセンサーを使う場面、モバイル端末での運用までは覆いきれません。高リスクの誤判定と許容できる誤判定を分けるような、階層的な評価も必要です。\n\n私たちはまだ、偽物を見分ける霧の中を歩いています。\n\nチームごとに違う道へ火を灯しました。注意で異常を見る人も、顔を隠して頑健さを試す人も、三次元へ視点を移す人もいます。\n\nけれど、最後に残る問いは同じです。\n\n> **私たちは本当に、一枚の偽の顔がどう作られるかを知っているのでしょうか？**\n\n答えはまだ形になっていないのかもしれません。それでも、この公開の技術競技を経て、少しは近づけたはずです。\n","imageSizes":{"/content/papers/assets/abaaaf34c640c745a0165cb4fde1efa2787959e96a4d4e845b7223c293abbaea.jpg":{"width":996,"height":532},"/content/papers/assets/bc0330001d4cbd12946f685a951558a36380cee0322993e8b4d39ed656ccf0cd.jpg":{"width":984,"height":960},"/content/papers/assets/464c459e92910d60b294a2bf19148fa790db0c5b203d5359f65ef70b8b183a47.jpg":{"width":1224,"height":664},"/content/papers/assets/1e6fea2843b31ed1b866cdf9b4e6a123bdced8199f72e1e7095ed9ec70310bc6.jpg":{"width":1064,"height":688},"/content/papers/assets/77e9cb3000506ae74c0813329c67a40ac0673827fbd80f7b08fc5d66ac23ef9e.jpg":{"width":1224,"height":492},"/content/papers/assets/6dd8804bb526c7bffb78a4d3340baf864ca009bc24d0ef8086e3ea8452094380.jpg":{"width":1064,"height":520},"/content/papers/assets/f566fec61190796a2eb3bc67c9ef234c29c92d63125d30cf963c9ea6e8728921.jpg":{"width":1064,"height":368},"/content/papers/assets/5e9de9ea310c03c41102d3181a9b1dc95eeedf539f7efca3fd3021f215f5bf4a.jpg":{"width":1224,"height":202},"/content/papers/assets/c3a5a413f16232aa72c2683955c30b8cee46ecc2b2a0782e0ef2e4fb0990788c.jpg":{"width":1224,"height":592},"/content/papers/assets/f239fb6a410a1c33d1884c1204a2495ed2de229c88eb21b8da55748f33adac4d.jpg":{"width":1224,"height":548},"/content/papers/assets/921acf3fbe5648b16710095327613c539e075fa75647aa0d1059f8b7f43dc86d.jpg":{"width":1224,"height":356},"/content/papers/assets/1c695becf2285e745f41fdd1c8e19a50fee6bee40ec6873fb147abec3358adb4.jpg":{"width":1224,"height":472},"/content/papers/assets/f4086f2a4c1997a77eed7bb517b610ff0daa10295be048772c2af99ead9b8977.jpg":{"width":1224,"height":636}}}
