面部防伪（FAS）是用于保护面部识别系统（FR）的关键。在实际场景中，FR 系统面临着物理和数字攻击。然而，现有算法通常只针对一种类型的攻击，这在 FR 系统面临混合物理数字威胁的实际情况下存在重要局限性。为促进统一攻击检测（UAD）算法的研究，我们收集了一个大规模 UniAttackData 数据集。UniAttackData 是最大的面向统一攻击检测的公共数据集，共有 28,706 个视频，每个唯一身份包含所有先进的攻击类型。基于这个数据集，我们组织了统一物理数字面部攻击检测挑战赛，以促进统一攻击检测领域的研究。在开发阶段，吸引了 136 个团队参与，最终有 13 个团队晋级到决赛。最终排名使用了组织团队验证的结果。本文全面回顾了该挑战赛，详细介绍了数据集介绍、协议定义、评估标准以及已发表结果的总结。最后，我们重点分析了表现最好的算法，并提供了受这次比赛启发的统一物理数字攻击检测的潜在方向。

Apr, 2024

为了同时检测物理攻击和数字攻击，我们提出了一种创新的方法，该方法采用两种类型的数据增强：模拟物理欺骗线索增强和模拟数字欺骗线索增强，显著提高了模型对 "未知" 攻击类型的检测能力。

Apr, 2024

本研究提出使用 Vision Transformer（ViT）模型的统一系统架构，实现虚假检测和匹配，并取得了与最先进（SOTA）的顺序系统相当的 98.87% 的平均集成匹配（IM）准确率，但参数只有后者的约 50％，延迟只有后者的约 58％。该方法适用于安全指纹识别等场景。

May, 2023

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

本文使用基于深度学习的对抗光投影攻击系统在人脸识别领域进行了实时物理攻击的实验，证实了人脸识别系统在白盒和黑盒攻击设置下均易受到对抗攻击的威胁。

Mar, 2020

该研究论文通过深度神经网络模型实现人脸验证，并研究了人脸验证系统所遭受的对抗攻击，提出了 DodgePersonation Attack 及其相关分类，以及一种名为 ''One Face to Rule Them All'' Attack 的攻击方法来欺骗人脸验证系统。

Sep, 2023

本文提出了一种基于随机贴片的防御策略来检测人脸识别系统的物理攻击，该方法相较深度神经网络在检测攻击方面具有更好的鲁棒性。实验结果表明该方法在检测白盒攻击和自适应攻击方面的性能均优于传统防御方法，并且其易于实现，可推广至其他防御方法以提高检测性能。

Apr, 2023

通过自动生成对抗性图像的方式，本研究展示了面部认证系统在实际场景中对对抗性图像的脆弱性，并提出 AdvGen 作为一种自动化生成对抗网络来模拟打印和重放攻击，生成可以欺骗最新型 PAD 的对抗性图像，其攻击成功率高达 82.01%。本研究在四个数据集和十个最新型 PAD 上对 AdvGen 进行了广泛测试，并在真实的物理环境中进行了实验证明了攻击的有效性。

Nov, 2023

本文提出了一种跨模态物理攻击方法，在物理世界中通过统一的对抗性贴片欺骗可见光和红外物体探测器，在考虑到不同成像机制的情况下，通过设计新型的边界受限形状优化和考虑得分的迭代评估，成功地减少了多模式传感器的预测得分。

Jul, 2023

通过利用光学噪声攻击 3D 人脸识别系统，该研究设计了端到端的攻击算法，成功地攻击了基于点云和深度图的 3D 人脸识别算法，变形不可见且需要比先前的物理攻击更少的扰动。

May, 2022