案例名称

手机银行反欺诈相似扩散模型

案例简介

随着移动金融深度普及，手机银行已成为广大普惠客户办理金融业务的主渠道，利用 AI 合成照片、换脸手段攻击活体核验环节、实施电信网络诈骗的风险持续攀升。活体核验是守护客户账户与资金安全的第一道关口，业务后台每日持续产生海量活体失败影像，需要逐张甄别真伪。传统风控模式依赖风控人员肉眼逐张人工复核，面对海量图片只能抽样筛查，存在效率低、易疲劳漏判、审核标准不统一、欺诈样本无法沉淀复用等痛点。本案例创新研发手机银行反欺诈相似扩散模型，归集已查实的欺诈攻击影像建立背景特征底稿库；客户办理活体核验时，系统通过 CV 算法自动分离人脸与背景区域，提取背景纹理、光照、合成伪影等同源特征并与底稿库比对，相似度达到阈值自动生成风险告警工单，转入风控人员二次核查。项目将风控模式由 “人工审阅海量图片” 升级为模型全量自动初筛、人工聚焦疑点复核的人机协同合规科技新模式，显著提升活体反欺诈的筛查效率与准确率，有效防范网络诈骗，保障客户资金与账户安全。

创新技术/模式应用

本本案例综合应用图像特征识别、相似度检索与人机协同核查等技术，形成面向手机银行反欺诈场景的合规科技解决方案。

1.黑样本背景图片底稿库。系统归集既往诈骗分子用于攻击手机银行的AI合成照片、翻拍件等黑样本作为“底稿”，建立可持续扩充的背景特征库。与传统仅比对人脸本身不同，本模型聚焦图像“背景区域”——诈骗团伙批量生成虚假活体时往往复用同一套合成模板（背景纹理、光照、边缘、水印、生成伪影等），单张肉眼难辨，但背景“指纹”高度同源，据此可从源头锁定同源攻击工具。

2.聚类算法，针对接入的全量人脸图片，以图片背景为核心分析维度，使用AI大模型自动对具有相同或高度相似背景的图片进行聚类分组。聚类算法具备高度的智能化与精准性，能够有效排除人脸主体特征、光线变化、轻微角度偏差等因素的干扰，准确识别出背景的核心特征。例如，即使两张人脸图片中人脸特征、人物的表情、姿态不同，只要背景是同一场景（如同一面墙、同一幅画、同一处室内环境等），平台可将其准确归为同一聚类组。

3.实时背景特征提取。当待检测人脸图片传入时，系统首先分离图片中的 “背景区域” 与 “人脸区域”（通过AI大模型的人脸检测推理定位人脸边界，排除人脸区域后保留剩余部分为背景），并提取背景的多维特征（包括但不限于像素分布、边缘特征、高频纹理、色彩直方图等）。

4.背景特征比对与风险判定：将实时提取的背景特征与风险背景库中的底库特征进行相似度计算（采用图像特征匹配算法，如 SIFT、ORB 或深度学习特征向量比对）。若相似度超过预设阈值，则判定该图片疑似为“相同背景换脸”攻击。完成自动打标、生成告警工单。整套比对由系统在客户办理活体的同时自动完成，无需人工触发。

5.“模型初筛+人工复核”的人机协同新模式。改变过去“人工肉眼通读成千上万张图片”的作业方式，将海量初筛交给模型，人工只针对系统命中阈值的少量疑似客户做二次核查与处置，形成“自动比对—命中告警—人工核查—反馈入库”的闭环；核查确认的新样本可持续回流底稿库，模型能力随样本积累不断增强。

6.合规科技价值。方案在不改变客户正常办理体验的前提下，嵌入活体核验风控链路，为反洗钱、“断卡”及电信网络诈骗资金链治理提供技术抓手，实现了从被动人工排查向主动智能防控的数字化转型。

项目效果评估

1.解决的痛点与达成的关键成果。上线前，个人手机银行活体反欺诈只能由运营/风控人员每天用肉眼逐张查看后台活体失败图片，日均待筛查图片量约【15,000】张，人工日均仅能查看约【500】张，受疲劳与主观标准影响，存在漏判、筛查滞后、口径不一等问题。模型上线后，筛查作业由“人工通读全部图片”转变为“系统自动比对、人工只核命中项”，人工仅需处理系统筛出的疑似客户，日均待人工核查量降至约【50】条，实现了活体反欺诈从人力密集向智能驱动的升级。

2.效果数据。模型上线后：单张图片比对耗时由人工约【3】秒降至系统【<1】秒；人工筛查工作量下降约【66.7%】，较人工肉眼筛查明显提升；活体环节月均拦截欺诈约【5-10】笔，均未造成资金损失；底稿库已积累黑样本【4】条并持续增长。

3.相比旧模式的显著优化。旧版本（纯人工肉眼筛查）效率低、覆盖不全、标准主观、无法沉淀；新版本以背景相似度模型自动比对底稿库，最显著区别在于：①筛查覆盖由“抽样人工看”变为“全量自动比”，杜绝漏看；②识别维度由“看人脸”扩展到“比对背景指纹同源”，可揪出同一诈骗工具批量攻击；③人工聚焦高价值二次核查，效率与准确率同步提升；④核查结果回流形成可迭代的黑样本资产，防控能力随时间自我增强。

责任编辑：佟桃梨