通过可视化方法来直观反映模型的训练结果，并展示数据增强技术对跨领域 Face Anti-Spoofing 任务的有效性，同时基于训练数据集的分布提出了一种设置阈值的方法。最终在两个竞赛中获得了第二名。
Apr, 2024
本文提出一种自适应视觉变换器 (ViT) 方法，利用集成适配器模块和特征转换层适应不同域的数据，从而实现跨域活体检测，并在多个基准数据集上取得了与现有方法相媲美的性能.
Mar, 2022
通过使用多模态预训练与自然语言语义对齐图像表示以改善面部反欺骗任务的泛化能力，进一步利用多模态对比学习策略弥合源域与目标域之间的差距，实现鲁棒的跨领域面部反欺骗。
Sep, 2023
本文提出了一种特征生成和假设验证框架来缓解领域泛化和表示解缠问题，该框架引入了生成真实人脸和已知攻击假设的特征生成网络，进而应用两个假设验证模块来判断输入人脸是否来自真人脸空间和真人脸分布，实验结果表明我们的方法取得了有前途的结果，超过了广泛公开数据集上最先进的方法。
Dec, 2021
本文首次系统综述了基于深度学习的人脸反欺诈技术，从像素级监督、领域泛化和多模式传感器等多个角度出发，阐述了该领域的最新成果与潜在前景。
Jun, 2021
该研究提出了一种基于 Efficient Parameter Transfer Learning (EPTL) 范 Paradigm 的面部反欺骗 (Face Anti-Spoofing，FAS) 方法，通过在预训练的 Vision Transformer 模型中插入适配器模块，并在训练过程中更新适配器，从而在零样本和少样本的跨域测试中实现了显著的改进，超过了多个基准测试的最新方法。
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
本文提出了一种全自适应自注意力机制用于视觉 Transformer，以在上下文感知方面建模局部和全局信息以及其二者之间的双向交互，并介绍了一种细粒度下采样策略以增强全局感知能力，最终研发了一系列轻量级视觉骨干，Fully Adaptive Transformer (FAT) 系列，并在多个视觉任务上进行了广泛的实验，取得了优秀的性能。
Jun, 2023
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。
本文提出了一种基于视觉 Transformer 模型的零样本反欺诈方法，通过在公共数据集上的实验，证明了该方法在 HQ-WMCA 和 SiW-M 数据集中零样本协议方面优于现有技术，并在跨数据库性能方面取得了显著提升。
Nov, 2020