使用 Central Difference Convolution 的方法来改进 Face anti-spoofing；使用 Neural Architecture Search 发现更强大的网络结构 (CDCN++)，并与 Multiscale Attention Fusion Module 相结合，在六个基准数据集上表现出更优秀的性能。

Mar, 2020

本文提出了两种交叉中心差异卷积（C-CDC）和一个强大的双交叉中心差异网络（DC-CDN），包括交叉特征交互模块和面部交换增强策略，提高了人脸反欺诈的性能。

May, 2021

本研究将人脸防欺骗重新定义为材料识别问题，并结合人的材料感知，提出了多级双边卷积网络（BCN）及多级特征细化模块（MFRM）和多头监督，以提取辨别性和鲁棒性特征，实验表明该方法在六个基准数据集上性能优异。

Jul, 2020

本文提出了第一个基于神经架构搜索的人脸防欺诈方法 NAS-FAS，并且利用静态 - 动态表征充分挖掘了 FAS 感知的时空差异，并在一个大规模的 3D 面具数据集 CASIA-SURF 3DMask 上达到了业内最先进的性能表现。

Nov, 2020

本研究提出了一种采用 RGB 和深度通道的新框架，结合一种新的损失函数用于检测人脸识别中的攻击，通过多通道提取信息，减小过拟合的影响并提高鲁棒性。新的跨模态焦点损失函数通过基于信道的置信度来调制每个信道的损失贡献，通过两个公开的数据集进行广泛评估，证明了该方法的有效性。

Mar, 2021

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

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

本研究提出了极致轻量化的神经网络结构，同时设计了一种新颖的集成融合方法和数据集，以提高人脸反欺诈检测的性能和鲁棒性。

Apr, 2019

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

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