← 返回 PaperDaily
视觉与图像
密歇根州立大学最新研究：两阶段框架精准识别透明隐形眼镜，虹膜识别EER直降28.3%
透明隐形眼镜正在悄悄拉低虹膜识别的准确率，却因为“看不见”而长期被忽视。本文不仅量化了这个威胁，还用一个两阶段框架加分数校准，把识别错误率最高降了28.3%，思路相当务实。
龙哥读论文
发布于 2026-08-17 00:20:11
阅读 3
查看原文
原论文信息如下：
想象一下，你每天过机场安检、解锁手机、通过公司门禁，虹膜识别系统都能精准地认出你。但如果你的眼睛里戴着一副透明的隐形眼镜，这个看似牢不可破的身份验证，其实已经在悄悄“放水”了。
这就是密歇根州立大学团队在IJCB 2026上发表的一项研究揭示的“隐形”威胁。与带有明显花纹的美瞳不同，透明隐形眼镜几乎不引入任何可见纹理，但它却能让商业虹膜识别软件的匹配分数系统性下降，把本人拒之门外。更麻烦的是，这种眼镜全球有超过1.4亿人在戴，而现有的检测算法大多对它视而不见。
这篇论文的价值就在于，它不只是发现了问题，还给出了一个完整的解决方案：一个两阶段的检测框架，加上一套分数校准机制，将虹膜识别的等错误率最高降低了28.3%。
图1展示了这个流程的输入。每一行从左到右分别是完整的眼部图像、通过公式（3）生成的解剖学ROI掩膜，以及用于第一阶段的局部虹膜裁剪图。在掩膜列中，红色代表瞳孔区域，绿色代表虹膜环，蓝色代表角膜缘外的弧形区域，而透明眼镜的证据往往就藏在这个蓝色的弧形区域里。
虹膜识别之所以强大，是因为每个人虹膜的纹理极其复杂，甚至可以用来区分同卵双胞胎。但这个强大有一个隐含前提：镜头捕捉到的必须是未经遮挡、未经过改动的真实虹膜。而隐形眼镜，无论是花纹美瞳还是更常见的透明镜片，都在挑战这个前提。
花纹美瞳是研究得很透彻的威胁。它会在虹膜上叠加一层醒目的合成纹理，破坏用于比对的特征编码，是一种典型的呈现攻击。检测它也相对容易，因为那层外来的纹理在视觉上相当显眼，即便是轻量级的分类器也能学会将其与天然虹膜区分开。
但透明隐形眼镜是另一回事。它没有颜色，没有纹理，大多数人戴它只是为了矫正视力，谁会想到它会影响虹膜识别呢？然而，Baker等人早在2010年就在超过12000张图像上证明，透明镜片会通过微妙的形变和角膜缘处的边缘伪影，导致虹膜识别出现错误的非匹配。后续研究进一步确认，这种退化不是随机噪声，而是一种系统的、依赖特定条件的偏差：镜片边界的折射率不匹配，会在眼周区域造成可预测的反射偏差。
论文作者一针见血地指出了问题的本质：透明镜片检测难，难在四个地方。第一，光学隐形，唯一物理证据是虹膜-巩膜交界处那点肉眼几乎看不见的微弱反光偏差。第二，空间定位极端，证据往往局限在镜片边缘一条很窄的环形带上，而标准分类网络倾向于关注那些更显著但无信息量的背景特征，从而忽略这个微小区域。第三，类内差异大，不同品牌、不同曲率、不同含水量的镜片产生的角膜缘信号各不相同，还会被瞳色、瞳孔扩张程度和光照角度所调制。第四，也是最要命的——图案镜片和透明镜片在同一个标签下，却是两个完全不同的子问题。一个在彩色的周期性纹理上训练出来的模型，对透明镜片基本无能为力。
正是基于对这种根本差异的深刻洞察，作者提出了一个两阶段的检测流程。整个流程的框架如图2所示。
第一阶段，论文采用了一个现成的虹膜呈现攻击检测模型D-NetPAD，它基于DenseNet-121架构。这个阶段的任务很简单：从一张紧凑的虹膜裁剪图中判断是否存在图案镜片。如果判断为“有图案”，图像直接输出并结束流程。只有被判定为“非图案”的图像，才会进入第二阶段。
第二阶段，也就是论文的核心创新所在，处理的是真正棘手的子问题：区分裸眼和透明镜片。这里不再使用紧凑的虹膜裁剪图，而是使用分辨率更高（480×640）的完整眼周图像，以保留角膜缘区域的完整空间信息。模型选用ConvNeXt-Base作为骨干网络，并配备了一个全新的模块——掩膜引导空间注意力（MGSA）。
MGSA模块的设计哲学是：对于透明镜片检测，有两个互补的信号必不可少，一是往哪里看，这由解剖学掩膜来编码；二是看什么，这由一个可学习的空间显著性门控来编码。两者缺一不可。只有掩膜而没有学习，无法在虹膜内部提供有区分度的权重；只有学习到的门控而没有掩膜，网络可能会去关注眼睑或眼周皮肤这些仅因数据集偏差才与标签相关的特征，从而走捷径。
具体来说，掩膜来自于经典的霍夫变换圆检测，不需要任何学习到的分割网络，也不需要像素级标注。通过两次圆霍夫变换分别定位瞳孔和角膜缘，然后根据像素坐标赋予三个解剖标签：瞳孔、虹膜环，以及角膜缘外一个限定角度的弧形区域（外弧）。这个外弧区域被限制在上下两个象限，因为鼻侧和颞侧通常被眼睑遮挡，没有镜片线索。最终掩膜是这三个区域的并集。
在骨干网络（例如ConvNeXt-Base）的第二个阶段之后，特征图拥有足够的空间分辨率来解析角膜缘线索，同时也编码了有意义的中间语义表示。MGSA模块在这个位置注入特征图。掩膜被二值化并上采样到特征图分辨率，作为一个硬性的解剖学门控，无条件地将虹膜区域之外的所有激活清零。与此同时，一个由1×1卷积生成的学习门控，在这个受限区域内进一步对不同位置进行软性重加权，学习去增强外环和角膜缘弧这些镜片边界可能出现的位置。最后，通过一个Squeeze-and-Excitation块对特征通道进行全局重标定，决定在这个区域内“看什么”。这种先空间后通道的组合拳，让网络能够聚焦于那些最细微的镜片证据。
检测出透明镜片只是一个中间步骤。论文的最终目标，是提升虹膜识别的整体性能。为此，作者引入了一个基于预测标签的z-score校准方法。
在注册库和探针图像都被两阶段分类器打上标签后，对于每一种配对类型（如正常-正常NN，透明-透明CC，透明-正常CN），在训练集中估算其真实配对分数分布的均值和标准差。然后，将每一类分数都映射到“正常-正常”参考分布上。这个映射是一个保序的仿射变换，它平移了每个非NN分布的均值以匹配NN均值，并匹配其离散程度，从而弥合了镜片引起的分数差距，同时不改变组内的排名顺序。最关键的是，配对类型完全由分类器的预测标签决定，推理时不使用任何真实标签信息，这保证了协议的真实性。
论文在四个数据集上进行了验证：两个来自圣母大学的UND-AD100和UND-LG4000，两个来自IITD的Cogent和Vista传感器数据。实验设计非常严谨，采用了按主体分层的5折交叉验证，确保同一主体的所有图像都在同一个折内，杜绝了身份信息泄露。测试集占主体的20%，在训练和模型选择阶段从未见过。
表1是全文的核心结果表。图3展示了校准前后，VeriEye匹配器生成的真实配对分数分布，直观地展示了透明镜片如何系统性地压低分数，以及校准如何将分布重新对齐。
从结果来看，第一阶段的表现堪称完美，在四个数据集上对图案镜片的检测准确率都达到了100%。这再次印证了图案镜片检测是一个良态问题。真正的挑战在第二阶段，透明镜片的检测准确率确实是最低的，在不同数据集上从87.5%到98.18%不等。但总体而言，完整流程在四个数据集上达到了90.0%到98.8%的准确率，而且跨传感器的表现一致性不错。
分数校准的效果更是立竿见影。在图3中，可以清楚地看到校准前透明-透明（CC）配对分数明显低于正常-正常（NN）配对，分数差距在36到39分之间。校准之后，CC和CN分布都向NN参考分布对齐，CN的均值甚至可以完全弥合180分的差距。
更重要的是，分数的改善最终转化为了识别性能的提升。如表3所示，等错误率（EER）在所有数据集上都有所下降，降幅从4.1%到28.3%不等。其中IITD-Vista数据集改善最大，这与它初始分数退化最严重的情况相符。
图4的ROC曲线显示，校准后的曲线（实线）在从10^-4到10^0的整个误匹配率范围内，都优于原始曲线（虚线）。这意味着无论安全阈值如何设定，校准都能带来更高的正确匹配率，这种全范围的提升在安全敏感场景中尤为重要。
这篇论文的贡献是清晰且有层次的。它首先用商业匹配器量化了透明镜片对虹膜识别的系统性损害，然后提出了一个解耦的两阶段检测框架，并设计了一个融合解剖先验与学习注意力的MGSA模块，最后通过分数校准将检测结果直接转化为了识别性能的提升。整个故事闭环完整，每个环节都有实验支撑。
当然，研究也存在一些局限性。掩膜生成依赖霍夫变换，鲁棒性还有提升空间；实验数据均为近红外图像，尚未涉及可见光场景；跨数据集的泛化实验显示，小数据集训练出的模型迁移到其他传感器时性能下降明显。这些问题都为未来的研究指明了方向。
龙迷三问
这篇论文到底在解决什么问题？ 透明隐形眼镜竟是虹膜识别的“隐形刺客”？密歇根州立大学提出两阶段检测框架，结合掩膜引导空间注意力（MGSA）与分数校准，将验证错误率最高降低28.3%。这篇工作最值得看的点是什么？ 两阶段流水线在四个数据集上达到90.0%-98.8%准确率，Stage 1对花纹镜片检测达到100%准确率；z-score校准将EER降低4.1%-28.3%。这篇工作的边界或风险在哪里？ 优点：(1)两阶段设计合理地将花纹镜片和透明镜片检测分离，避免特征竞争；(2)MGSA模块无需像素级标注即可注入解剖先验；(3)z-score校准方法简单有效。缺点：(1)依赖Hough变换生成掩膜，掩膜质量影响最终性能；(2)跨数据集泛化能力有限，小数据集训练的模型迁移效果差；(3)未与其他最新方法进行充分对比。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
提出两阶段接触镜检测框架，第一阶段用D-NetPAD检测花纹镜片，第二阶段用ConvNeXt-Base结合Mask-Guided Spatial Attention (MGSA)模块检测透明镜片，并通过z-score校准提升虹膜识别性能。实验合理度： ★★★★☆
分类准确率（Accuracy）、等错误率（EER）、ROC曲线、bootstrap标准差。学术研究价值： ★★★★☆
提出两阶段接触镜检测框架，第一阶段用D-NetPAD检测花纹镜片，第二阶段用ConvNeXt-Base结合Mask-Guided Spatial Attention (MGSA)模块检测透明镜片，并通。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
未明确报告FLOPs，但Stage 2使用480×640分辨率输入，ConvNeXt-Base为Base规模模型。复现难度： ★★★☆☆
https://github.com/iPRoBelab/MGSA ContactLens Detection产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： (1)依赖Hough变换生成掩膜，掩膜质量影响最终性能；(2)跨数据集泛化能力有限，小数据集训练的模型迁移效果差；(3)未与其他最新方法进行充分对比。
主要参考文献
[1] Farmanifard P., Ross A. Detecting Clear Contact Lenses for Iris Recognition: A Two-Stage Mask-Guided Attention Approach. IJCB 2026. [2] Baker et al. Clear contact lenses and their effect on iris recognition performance. 2010. [3] Raghavendra et al. ContlensNet: 15-layer CNN for contact lens detection in iris images. [4] Yadav et al. Large-scale analysis of textured and clear contact lens effects on commercial iris matchers. [5] Menotti et al. Deep representations for iris, face, and fingerprint presentation attack detection. IEEE TIFS, 2015. [6] Liu et al. A ConvNet for the 2020s (ConvNeXt). CVPR 2022. [7] 原文与开源代码：https://arxiv.org/pdf/2608.08977v1.pdf ；https://github.com/iPRoBelab/MGSA_ContactLens_Detection *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
看完这篇，是不是感觉眼睛里的“小透明”也没那么简单了？👀 想和龙哥一起，看穿更多AI领域的“隐形”套路吗？
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥） ，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群，等你来撩～
