本文介绍了 CASIA-SURF 数据集，该数据集是当前公开的最大规模的面部反欺诈数据集，并提出了一个新的基准测试方法 - 多模态多尺度融合，并在该数据集上进行了广泛的实验以证明其重要性和概括能力。

Aug, 2019

本文介绍了最大的跨民族人脸反欺骗数据集 CeFA，其中包含三种民族，三种模式，1607 个受试者和 2D 加 3D 攻击类型。作者还提出了一种新的多模态融合方法和部分共享融合策略来缓解人脸反欺骗系统的族群偏见，并在多个数据集上取得了最好的反欺骗性能。

Mar, 2020

该研究主要探讨基于深度神经网络的人脸反欺诈技术在实践中存在的族裔偏差问题，并介绍了 CASIA-SURF CeFA 跨种族人脸反欺诈数据集与 Chalearn Face Anti-spoofing Attack Detection Challenge 竞赛等相关内容及其结果

Apr, 2020

本文介绍了防止虚假面孔识别的一种重要领域，即面部防欺骗。针对数量和多样性两大问题，提出了一个大规模的 CelebA-Spoof 数据集，并使用多任务框架 AENet 对现有方法进行了测试，揭示了一些有价值的观察结果。

Jul, 2020

介绍野外人脸防炸数据集（WFAS），该数据集包含 853,729 张交错图像，涵盖了 321,751 个欺诈主题和 148,169 个真实主题，集成了从互联网获得欺诈数据，并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。

Apr, 2023

本论文介绍了 CelebA-Spoof 数据集，针对人脸反欺诈的研究进行了方法和结果报告，并分析了竞赛的排名解决方案，提出了未来的研究方向。

Feb, 2021

提出利用人工制造的模态从 RGB 视频中提取状态间的动态差异，用于对付人脸反欺诈，通过中间表示来增加模型对未知攻击和未知族群的鲁棒性，该方法在最大的跨族群人脸反欺诈数据集 CASIA-SURF CeFA（RGB）上取得了最先进的效果。

Jun, 2020

我们提出了一个名为 “PipeNet” 的多流卷积神经网络架构，针对跨族群、多模态连续数据下提高面部反欺骗泛化能力的挑战，利用 CASIA-SURF 最新的 CeFA 数据集进行训练和测试，使用有选择的模态流和有限帧投票等方法，达到了 CVPR2020 Chalearn 多模态交叉族群人脸反欺骗识别挑战的第三名，测试集上的平均分类错误率为 2.21，标准差为 1.26。

Apr, 2020

在人脸识别系统中，针对演示性攻击，多模态学习方法面临模态不可靠性和模态不平衡性的挑战，本研究提出了 Uncertainty-Guided Cross-Adapter (U-Adapter) 和 Rebalanced Modality Gradient Modulation (ReGrad) 两种方法来解决这些问题，在多模态人脸反欺骗中取得了优于现有方法的性能。

Feb, 2024

本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

Jul, 2021