本论文提出了一种基于深度神经网络和元学习分类器相结合的方法，该方法利用图像固有属性探测面部 “假冒攻击”，在 PAD 领域最具挑战性的跨数据集协议上取得了超越最新成果的显著结果。
Feb, 2019
本研究应用深度学习方法在生物特征访问控制系统中抵御演示攻击，通过应用小波变换提取生物特征图像的特征，并修改了深度残差神经网络来检测演示攻击。在 ATVS 虹膜数据集上，获得了 93% 的最佳准确率；在 CASIA 两类数据集和 CASIA 裁剪图像数据集上，分别实现了 91% 和 82% 的测试准确率。
Nov, 2023
面部和虹膜的演示攻击检测的三种软件方法比较：使用 Inception-v3 的深度卷积神经网络（CNN），基于改进的 Spoofnet 架构的浅层 CNN，以及使用局部二值模式（LBP）的基于纹理的方法。
本研究提出了一种基于多通道卷积神经网络的面部攻击检测方法，以解决面部生物识别在非监督应用中易受攻击的问题，并引入了新的宽多通道演示攻击数据库用于面部演示攻击研究。研究结果表明该方法优于现有特征提取方法，能够在 WMCA 数据库上实现 0.3% 的 ACER 性能，并已开放该数据库和相关软件供公共使用。
Sep, 2019
本文提出了一种卷积神经网络的框架，用于检测面部识别中的展示攻击，该框架使用像素级监督的深度学习技术，可以使用帧级别信息进行部署，适用于在智能设备中的部署，该方法在公共数据集上验证有效性，并在多项实验中超过当前最先进的方法。
Jul, 2019
本研究旨在使用深度学习技术，通过 DĆGAN 技术生成逼真的合成图像，以识别并防止生物特征认证中的攻击，我们在三种不同的生物特征数据集上使用我们的深度 CNN 模型，测试准确率最高达 97％。
Jun, 2022
基于远程光电容积描记术 (rPPG)，本研究提出了三种不同的基于 rPPG 的展示攻击检测方法：(i) 生理领域，即使用 rPPG 模型的领域，(ii) Deepfakes 领域，在其中从生理领域重新训练模型以执行特定的 Deepfakes 检测任务；和 (iii) 新的展示攻击领域，通过将从前两个领域应用迁移学习来提高区分真实和攻击的能力。实验结果表明，基于 rPPG 的模型在展示攻击检测中效率高，将平均分类错误率 (ACER) 从 41.03％降低到 19.32％，比生理和 Deepfakes 领域减少了 21.70％。我们的实验突出了 rPPG 模型中迁移学习的效率，且对于不允许复制这种生理特征的设备，在展示攻击检测中表现良好。
Oct, 2023
通过使用基于生成对抗网络的四种图像翻译模型，本研究探讨了身份证展示攻击仪器在生成攻击样本方面的应用，并分析了生成数据在训练欺诈检测系统中的有效性。通过开源数据的实验结果，证明合成攻击展示样本可以作为真实攻击展示样本的补充，其中，印刷攻击的错误拒识率提高了 0.63%，屏幕截图攻击的拒识率下降了 0.29%。
Dec, 2023
通过分类总结深度学习 Fingerprint Presentation Attack Detection（FPAD）的方法，主要集中于近年来的 deep-learning FPAD 技术，涉及指纹认证、攻击检测、接触式和智能手机模式等主题。
May, 2023
本文介绍了一种利用偏振光测量不同图像的新型硬件扩展，称为 PARAPH，它可以有效地识别假面攻击媒体，并对该系统进行了评估。
May, 2016