通过对抗性学习框架，设计出一种方法以多尺度模式的等级组合方式将伪造痕迹从输入面部中分离出来，并进一步经过适当的几何修正合成出另一张逼真伪造面孔图像，从而具有卓越的伪造检测性能。

Jul, 2020

该研究论文主要针对人脸识别中的反欺诈问题，提出一种多模态解缠模型，通过对来自 RGB 和深度输入的欺诈模式进行重定标定和交叉模态聚合，实现了更精确、更稳健的反欺诈预测。

Dec, 2022

本研究提出一种面部反欺诈方法，通过图像处理和 CNN 架构对虚假面部噪声进行建模，可以通过反向分解虚假面部得到虚假噪声和真实面部，以增强分类的准确性并可视化虚假噪声。

Jul, 2018

本文提出了一种新型的人脸反欺诈方法，旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征，并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力，并在公共基准数据集上进行了充分的实验结果验证。

Aug, 2020

本研究探索了使用扩散模型对欺骗图像进行去噪和恢复真实图像的方法，通过比较这两个图像之间的差异，作为面部防伪的判别依据。实验结果表明，该方法在准确性和泛化性能方面具有竞争力。

Jan, 2024

本研究提出了一种基于异常检测的面部活体检测框架，通过学习区分真人和虚假攻击的差异性信息（称作欺骗线索），来提高模型的鲁棒性和泛化性能，实验结果表明该方法优于现有技术。

May, 2020

本文提出了基于 Dual Spoof Disentanglement Generation (DSDG) 框架的 “反欺诈通过生成” 的方法来改善现有的人脸反欺诈数据集的不足，采用可解释分解的潜变量表征来生成大规模的成对的真实和欺诈图片，通过引入轻量级的深度不确定性模块 (DUM)，消除了由于噪声样本所导致的深度预测不准确的问题，实验结果在五个基准测试中，均取得了最优效果。

Dec, 2021

本文提出了一种利用无监督预训练改进性能的方法，介绍了 Entry Antispoofing 数据集来进行监督微调，并提出了一种多类别辅助分类层，以增强检测欺骗企图的二进制分类任务，实现了在多个数据集上的最新结果。

Jun, 2022

本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法，实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。

Jan, 2019

本文介绍了一种增强数据域广义化中反欺骗性能的新视角，并提出了一种在视频层面上以度量为基础的方法，用于优化模型的稳定性和泛化能力。研究结果显示，简单地扩大模型的骨干网络并不能本质上改善模型的不稳定性，因此我们从贝叶斯的角度提出了一种集成骨干网络的方法，该方法在度量和欺骗准确度方面均取得了更好的结果，并能利用不确定性测量的优势，在训练过程中实现增强抽样以提升模型的泛化能力。通过在 OMC 数据集以及 CelebA-Spoof 和 SiW-Mv2 数据集上进行评估，我们的最终模型在偏差、方差、HTER 和 AUC 等指标上均超过了现有的最先进方法，展示了在这些方面的进展。

Jun, 2024