提出一种基于元学习的领域动态调整方法，以无需使用领域标签的方式迭代地计算混合域，并使用区分性领域表示学习模块提取出区分性的领域特征进行聚类，并结合最大均值偏差以及实例归一化来实现可靠的聚类效果。实验表明，该方法比传统的基于领域泛化的面部反欺诈方法效果更好，并通过可视化进一步提升了方法的可解释性。

May, 2021

本文提出了一种基于实例感知域泛化的人脸反欺诈方法，通过消除实例特定的样式来学习通用特征，同时使用动态内核生成器和分类样式组装来进一步促进对抗攻击的成功检测。

Apr, 2023

本文提出了一种统一的域自适应集成学习（DAEL）框架，通过在多源场景中专用于某个领域的分类器头，以及使用 CNN 特征提取器共享的方式来解决使用多源未标记数据的多源无监督域自适应（UDA）问题和域通用性（DG）问题，来提高 DAEL 模型在 UDCA 数据集和 DG 数据集上的表现。

Mar, 2020

本文提出了一种基于风格转移的语义对齐增强框架（SASA），以解决面部反欺诈系统（FAS）中 Few-Shot Domain Expansion 的问题，其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本，并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐，并通过少遗忘的约束来稳定源域上的性能。实验结果表明，所提出的 SASA 方法优于现有的方法。

Jun, 2021

本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。

Feb, 2021

本文提出了一种针对多种领域的人脸防欺骗的新模型，使用简单且有效的欺诈区域估计器 (SRE) 来识别欺诈痕迹，并提出了一个名为 FAS-wrapper 的新框架，以协助从已有的预先训练的模型中转移知识并与不同的 FAS 模型无缝集成。此外，还提出了一个新的基于 SIW，SIW-Mv2 和 Oulu-NPU 的基准测试，并介绍了四个不同的协议进行评估。在 MD-FAS 基准测试中，我们提出的方法比以前的方法表现更优秀。

Aug, 2022

通过引入一种新方法 DGUA-FAS，该方法包括基于 Transformer 的特征提取器和合成未知攻击样本生成器（SUASG），我们针对领域通用的未知攻击解决方案，实验结果表明我们的方法在已知或未知攻击的领域泛化 FAS 方面取得了卓越的性能。

Oct, 2023

本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐；此外，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和与最先进方法的比较结果验证了我们提出方法的优势。

Jan, 2024

本文提出了一种基于生成领域适应的人脸防欺骗方法，利用图像翻译的方式将目标数据转换到源域风格，再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。

Jul, 2022

通过使用真实面孔进行改进，提出了基于异常线索的人脸防伪技术（AG-FAS）方法，使用 De-spoofing Face Generator（DFG）改善模型泛化能力，并通过交叉注意力转换器进一步改善人脸防伪特征的泛化，此方法在跨领域评估中取得了最先进的结果。

Jan, 2024