2023 年国际联合生物识别学术会议（IJCB 2023）举办的基于隐私感知合成训练数据的人脸呈现攻击检测竞赛（SynFacePAD 2023）的论文总结，共有 8 个来自学术界和工业界的参赛队伍提交了有效解决方案，竞赛旨在鼓励和吸引以隐私、法律和伦理问题为动机的以合成数据为基础的人脸呈现攻击检测解决方案，参赛选手使用的训练数据仅限于主办方提供的合成数据，提交的解决方案提出了创新和新颖的方法，在研究基准测试中表现优于考虑的基准。

Nov, 2023

本研究介绍了首个基于合成数据的变形攻击检测开发数据集 (SMDD) ，证明该数据集成功地用于训练三种变形攻击检测骨干网络，从而实现了高性能的变形攻击检测，即使是完全未知的攻击类型。通过详细的法律分析，我们表明在使用和分享真实生物特征数据的挑战方面，我们提议的 SMDD 数据集至关重要。该数据集包含 30,000 个攻击样本和 50,000 个真实样本，可供研究目的公开使用。

Mar, 2022

本文采用宽与深特征融合的神经网络结构来解决假攻击检测问题，并在多个数据集上进行了实验验证。

Jan, 2021

我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均 BPCER 为 0.96％，APCER 为 1.6％。

Nov, 2023

本文介绍了防止虚假面孔识别的一种重要领域，即面部防欺骗。针对数量和多样性两大问题，提出了一个大规模的 CelebA-Spoof 数据集，并使用多任务框架 AENet 对现有方法进行了测试，揭示了一些有价值的观察结果。

Jul, 2020

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

本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

Jun, 2022

本论文介绍了 CelebA-Spoof 数据集，针对人脸反欺诈的研究进行了方法和结果报告，并分析了竞赛的排名解决方案，提出了未来的研究方向。

Feb, 2021

该论文提出了一种基于卷积神经网络和生成对抗网络的指纹图像防攻击方法，通过生成与现有攻击样本不同的真实样本来增加数据集，有效提高了指纹图像防攻击的准确性。

Jun, 2023

介绍野外人脸防炸数据集（WFAS），该数据集包含 853,729 张交错图像，涵盖了 321,751 个欺诈主题和 148,169 个真实主题，集成了从互联网获得欺诈数据，并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。

Apr, 2023