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
本文提出了一种基于中心差分卷积神经网络 (CDCN) 的多模式人脸防伪技术，能够对 RGB、深度和红外三种方式获取的数据进行准确的真假识别，成果在 2020 年 ChaLearn 人脸防伪攻击检测挑战赛中位居第一和第二名。
Apr, 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
该研究提出了一种基于中心坐标学习的人脸特征和分类向量联合学习方法，可以有效地提高人脸特征的判别力，并在六个面部基准测试中表现出极高的效果和广泛性，只使用大约 10K 个主题的 CASIA Webface 数据集进行训练。
Jan, 2018
本文提出了一种基于密集人脸标记的几何感知交互网络（GAIN）来区分正常和异常 Movements，通过与现有方法结合，显著提高了性能，该方法在标准的内部和跨数据集评估中取得了最先进的性能，在 CASIA-SURF 3DMask 上超越了最先进的方法，在跨数据集和跨类型协议下表现出强大的稳健性。
Jun, 2023
本研究采用深度卷积神经网络（CNN）学习特征，在经过数据预处理后，能够大幅提高面部防欺诈性能，使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70％，同时在两个数据集之间的交叉测试中，实验结果表明 CNN 能够获得更好的泛化能力，使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。
Aug, 2014
本文提出了一种名为 ACFD 的不对称卡通脸检测器，它由多个不对称单次聚合模块 (AOSA) 组成的新颖骨干 VoVNetV3，不对称双向特征金字塔网络 (ABi-FPN)，动态锚点匹配策略 (DAM) 和相应的边际二元分类损失 (MBC) 等模块组成。使用这些模块，我们在不使用任何预训练模型且模型大小为 200MB、推断时间为 50ms 每张图像的条件下，取得了 2020 年 iCartoon Face 挑战赛检测赛道的第一名。
提出了一种基于掩膜学习的策略来提高面部识别性能，通过深度卷积神经网络中的特征去除来解决部分区域遮挡的问题，并在 SYNTHIA-FACE 和 RAISE-AF 数据集上进行了综合实验，表明该方法明显优于现有技术。
Aug, 2019
基于卷积视觉变换器的框架通过全局信息和面部图像中的局部线索来改善人脸识别性能和抵抗领域转变的作用，在面部反欺诈和领域泛化等领域取得了显著的提升。
Jul, 2023