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

本文研究人脸反欺诈（FAS）模型在领域差异上的泛化问题，提出可使不同领域的实况到欺诈的过渡轨迹相同而达到域可分性和域不变分类器的 FAS 策略，即 SA-FAS，并在跨领域 FAS 数据集上展示其卓越性能。

Mar, 2023

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

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

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

通过引入一种新方法 DGUA-FAS，该方法包括基于 Transformer 的特征提取器和合成未知攻击样本生成器（SUASG），我们针对领域通用的未知攻击解决方案，实验结果表明我们的方法在已知或未知攻击的领域泛化 FAS 方面取得了卓越的性能。

Oct, 2023

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

提出了一种文本引导的域泛化框架，用于增强人脸反欺诈技术的域泛化性能，通过文本信息进行跨域对齐，设计了多层次注意融合模块和文本增强视觉判别器，实现了更好的分类和域适应能力，并在极度有限的源域数据情况下展示了令人印象深刻的少样本性能。

Nov, 2023

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