提出了一种用于跨域人脸展示攻击检测的高效解耦表征学习方法：DR-Net 和 MD-Net。实验表明，该方法有效解决了传统方法中因训练集主体特征过拟合而导致无法很好地泛化到未知情景的问题。

Apr, 2020

本研究提出了一种采用 RGB 和深度通道的新框架，结合一种新的损失函数用于检测人脸识别中的攻击，通过多通道提取信息，减小过拟合的影响并提高鲁棒性。新的跨模态焦点损失函数通过基于信道的置信度来调制每个信道的损失贡献，通过两个公开的数据集进行广泛评估，证明了该方法的有效性。

Mar, 2021

该论文介绍了一种利用人脸相关任务先验知识来提高 Presentation Attack Detection (PAD) 的泛化能力的方法，该方法包括引入人脸相关任务的特征、设计跨模态适配器以重新映射特征并使用卷积神经网络 (CNN) -basaed PA 检测器的分层特征和重新映射特征来实现 PAD。实验结果表明，该方法在复杂和混合数据集上表现显着优于现有技术。

Nov, 2021

该研究论文针对模拟攻击问题，提出了 ACIdA 模块化差分 MAD 系统，实现了较好的性能和成果，超过了现有文献中的竞争对手，并在传统差分 MAD 基准测试中保持良好的性能。

Apr, 2024

最近的面部演示攻击检测 (PAD) 利用领域适应 (DA) 和领域泛化 (DG) 技术来解决未知领域上的性能降级问题。然而，基于 DA 的 PAD 方法需要访问未标记的目标数据，而大多数基于 DG 的 PAD 解决方案依赖于先验的，即已知的域标签。此外，大多数基于 DA/DG 的方法在计算上要求复杂的模型架构和 / 或多阶段的训练过程。本文提出一种从因果角度将面部 PAD 建模为复合 DG 任务的方法，通过逆向干预挖掘高级表示中隐藏的因果因素。此外，我们引入了一种面向类别的 MixStyle，用于丰富类别内的特征级数据分布，而不是侧重于域信息。类别引导的 MixStyle 和逆向干预组件都不引入额外的可训练参数和计算资源。大量的跨数据集和分析实验证明了我们的方法与最先进的 PAD 方法相比的有效性和效率。实现代码和训练权重公开可用。

Aug, 2023

本文提出了 D-PAD，一种深浅多频模式解缠深度学习神经网络，通过引入多组分分解块（MCD block）将时间序列分解为不同频率范围的分量，进而通过分解 - 重构 - 分解（D-R-D）模块渐进性地提取混合在分量中的频率信息，并利用交互与融合（IF）模块进一步分析分量，通过对七个真实数据集的广泛实验表明，D-PAD 达到了最先进的性能，平均 MSE 和 MAE 分别优于最佳基准线 9.48％和 7.15％。

Mar, 2024

本文提出了一个名为 MagDR 的方案，该方案基于掩码引导检测和重建流程，以对抗 Deepfakes 的对抗攻击。利用检测模块来定义 Deepfakes 的输出异常性，提取适应性掩码来捕获局部面部区域的变化，并通过学习重构流程实现防御。MagDR 在防御黑盒和白盒攻击方面表现出有希望的性能。

Mar, 2021

通过分类总结深度学习 Fingerprint Presentation Attack Detection（FPAD）的方法，主要集中于近年来的 deep-learning FPAD 技术，涉及指纹认证、攻击检测、接触式和智能手机模式等主题。

May, 2023

提出一种名为 MADTP 的新框架，通过多模态对齐和动态令牌修剪来加速各种视觉语言变换 (VLTs) 模型，显著减少计算复杂度同时保持竞争性能。

Mar, 2024

本研究提出了一种基于多通道卷积神经网络的面部攻击检测方法，以解决面部生物识别在非监督应用中易受攻击的问题，并引入了新的宽多通道演示攻击数据库用于面部演示攻击研究。研究结果表明该方法优于现有特征提取方法，能够在 WMCA 数据库上实现 0.3% 的 ACER 性能，并已开放该数据库和相关软件供公共使用。

Sep, 2019