本文介绍了一种名为 face-GPAD 的新的开源评估框架，旨在研究人脸 PAD 方法的泛化能力，同时提出了一个聚合和分类的大型数据集，以解决公共数据集之间的不兼容性问题，并提出了两个新的评估协议，旨在测量人脸分辨率变化引入的影响和评估对抗性操作条件的影响。

Apr, 2019

该论文介绍了一种利用人脸相关任务先验知识来提高 Presentation Attack Detection (PAD) 的泛化能力的方法，该方法包括引入人脸相关任务的特征、设计跨模态适配器以重新映射特征并使用卷积神经网络 (CNN) -basaed PA 检测器的分层特征和重新映射特征来实现 PAD。实验结果表明，该方法在复杂和混合数据集上表现显着优于现有技术。

Nov, 2021

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

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

RoPAD 是一种使用深度学习的端到端模型，通过无监督的对抗不变性来忽略图像中的视觉干扰，从而实现有效的演示攻击检测。实验证明该框架在多个基准数据集上展现了最先进的性能。

Mar, 2019

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

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

本文提出了一种基于多通道卷积神经网络的一类分类器方法，其中引入了一种新的损失函数，通过一类高斯混合模型实现面部认证攻击检测，该方法的实验结果表明具有较高的泛化能力。

Jul, 2020

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