本文介绍了一个 Mobile Identity Document Video 数据集 (MIDV-500)，其中包含来自 50 个不同身份证件类型的 500 个视频剪辑，提供了地面真实性，方便进行广泛的文档分析问题的研究，同时给出了人脸检测、文字行识别和文档域数据抽取的评估结果。

Jul, 2018

本文提出了扭曲文档图像数据集（DDI-100），该数据集是基于 7000 张真实唯一的文档页面的合成数据集，包含超过 100000 个增强图像，标注信息包括文本和邮戳掩模、文本和字符边界框等，验证结果表明该数据集在文档分析等多种领域有很好的实用价值。

Dec, 2019

该论文介绍了一种合成的进口申报数据集，为海关部门中的领域专家和数据科学研究人员之间的合作提供便利并开放基准代码以优化欺诈检测。

Aug, 2022

IDTrust 是一个基于深度学习的系统，通过使用深度学习方法来改善身份证明文件的质量，从而提供了数据集适用性的重大改进。通过利用基于带通滤波的方法，该系统旨在有效检测和区分身份证明文件的质量，并通过在 MIDV-2020 和 L3i-ID 数据集上进行广泛实验，识别出最佳参数，显著改善了区分性能，有效区分原始和扫描身份证明文件。

Mar, 2024

本文介绍了一个包含在不同条件下使用现代高分辨率移动相机拍摄的影片的 MIDV-2019 数据集，其中包含解决诸如识别身份证件、文本字段识别等问题的方法和算法的方法组合。

Oct, 2019

该研究提出了一种基于条件潜在扩散模型的新方法 (IDiff-Face)，用于合成身份生成，以实现面部识别训练中的逼真身份变化，通过广泛评估，该合成基础的面部识别方法在 Labeled Faces in the Wild (LFW) 基准测试上实现了 98.00% 的准确率，远超最近的合成基础面部识别解决方案的 95.40%，并填补了与基于真实数据的面部识别准确率为 99.82% 之间的差距。

Aug, 2023

本研究论文总结了为了解决网络爬取的面部识别数据集引发的合法、伦理和隐私问题，近期提出的利用生成模型生成合成数据集的研究成果，同时介绍了面向面部识别模型训练使用合成数据的 SDFR 竞赛的概述、参与模型的评估结果以及对未来研究方向的展望。

Apr, 2024

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

该研究论文介绍了一个基准测试框架，通过集成多个最先进的合成图片检测模型，旨在解决合成图片检测方法在实际应用中与基准数据集之间的差距，并研究在线共享素材中的图像变换对检测性能的影响。

Apr, 2024

该研究介绍了一个新颖且全面的数据集 TII-SSRC-23，旨在解决现有数据集在多样性和与当代网络环境的一致性方面的挑战。通过广泛实验，为监督和无监督入侵检测方法建立了坚实的基准，并提供了对入侵检测任务关键特征的重要见解，从而进一步推动入侵检测模型在网络安全快速变化的领域中的进展和适应性。

Sep, 2023