该研究论文提出了一个基于视觉语言模型的统一攻击检测框架 (UniAttackDetection)，包括三个主要模块：教师 - 学生提示 (TSP) 模块、统一知识挖掘 (UKM) 模块和样本级提示交互 (SLPI) 模块，这些模块共同构成了一个强大的统一人脸攻击检测框架。通过对 UniAttackData 和其他三个数据集的广泛实验，证明了该方法在统一人脸攻击检测方面的优越性。

Jan, 2024

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

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

本论文提出了一种基于深度神经网络和元学习分类器相结合的方法，该方法利用图像固有属性探测面部 “假冒攻击”，在 PAD 领域最具挑战性的跨数据集协议上取得了超越最新成果的显著结果。

Feb, 2019

面部反欺骗、数字攻击、漏洞、威胁与鲁棒性是本研究的关键词。通过一系列实验，本文揭示了当前面部反欺骗检测技术的限制和其对新型数字攻击场景的失败。为了抵御这些新型攻击的漏洞，本文提出从模型准确性、鲁棒性到流程鲁棒性和平台鲁棒性的关键设计原则。尤其是，我们建议使用主动传感器来实现预防性面部反欺骗系统，以显著降低未知攻击向量的风险并提高用户体验。

Jun, 2024

本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法，实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。

Jan, 2019

本文提出了一种利用无监督预训练改进性能的方法，介绍了 Entry Antispoofing 数据集来进行监督微调，并提出了一种多类别辅助分类层，以增强检测欺骗企图的二进制分类任务，实现了在多个数据集上的最新结果。

Jun, 2022

我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均 BPCER 为 0.96％，APCER 为 1.6％。

Nov, 2023

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

我们提出了一种用于无接触指纹的通用表现攻击检测方法，该方法使用了合成的无接触指纹进行模型训练，并结合了 Arcface 和 Center loss 进行联合损失函数的设计，最终取得了 0.12% 的正常认证错误率、0.63% 的攻击展示分类错误率和 0.37% 的平均分类错误率。

Oct, 2023