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

测试时间域泛化框架通过引入测试数据来提升模型的适用性，该方法包括测试时间风格投影和多元风格变换模拟，有效地将未知数据投影到已知域空间，并在广泛使用的跨域 FAS 基准测试中展示出最先进的性能和有效性。

Mar, 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

本论文提出了一种基于样式特征抽取和重新组合的新型混洗样式组装网络，通过对比学习策略以强调与活体相关的样式信息并抑制特定于领域的信息，以获得广义表示，并且还建立了新的大规模基准测试以进一步评估各算法的性能和有良好的结果。

Mar, 2022

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。

Jun, 2023

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

提出了一种单边领域泛化（SSDG）框架，通过学习可推广的特征空间并使用非对称三元组损失来约束从不同域中生成的假面孔的分布，从而提高了面部反欺骗的泛化能力，并使用端到端的训练方式，通过实验证明该方法在四个公共数据库上优于现有的方法。

Apr, 2020