Resumen

Existe un creciente desarrollo de herramientas para la generación automática de contenido en sectores como los medios digitales, la educación y el entretenimiento. A medida que estas herramientas se hacen más sofisticadas y accesibles, los sistemas de antispoofing faciales se hacen más vulnerables. El antispoofing facial es la tarea de prevenir la verificación facial falsa que se puede producir mediante el uso de una foto, video, máscara o un sustituto diferente del rostro de una persona autorizada. Los sistemas antispoofing son construidos con modelos de aprendizaje de máquina que se entrenan con grandes volúmenes de datos de rostros reales y falsificados. El problema surge cuando los sistemas de antispoofing se enfrentan a imágenes generadas por estrategias no vistas previamente en la fase de entrenamiento. Como estrategia para lidiar con esta problemática, en el presente trabajo se evalúa el uso de métodos de aumentación de datos para la mejora de sistemas de antispoofing usando diversas estrategias de generación de imágenes artificiales, tales como: sustitución bruta de imágenes, redes antagónicas generativas (GAN) y un modelo probabilístico de difusión de eliminación de ruido (DDPM). La hipótesis de este trabajo es que dicha aumentación de datos se puede realizar a partir de conjunto de datos existentes, por lo que no requiere esfuerzo adicional de etiquetado, y permite robustecerlos modelos de antispoof existentes realizando rondas adicionales de entrenamiento con las nuevas imágenes generadas.