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

本文介绍了一种名为face-GPAD的新的开源评估框架，旨在研究人脸PAD方法的泛化能力，同时提出了一个聚合和分类的大型数据集，以解决公共数据集之间的不兼容性问题，并提出了两个新的评估协议，旨在测量人脸分辨率变化引入的影响和评估对抗性操作条件的影响。

Apr, 2019

本研究提出了极致轻量化的神经网络结构，同时设计了一种新颖的集成融合方法和数据集，以提高人脸反欺诈检测的性能和鲁棒性。

Apr, 2019

本文首次系统综述了基于深度学习的人脸反欺诈技术，从像素级监督、领域泛化和多模式传感器等多个角度出发，阐述了该领域的最新成果与潜在前景。

Jun, 2021

本篇综述对过去10年中涉及深度学习技术用于虹膜识别的研究进行了全面的回顾，包括算法设计、开放式工具、挑战以及新兴研究方向。主要关注虹膜生物识别中的分割、识别、鲁棒性、后验、开放源代码资源和技术挑战。

Oct, 2022

通过人类显著性的加入，CNN的训练在诸如生物特征提取攻击检测等困难任务中取得了提升。在本文中，我们介绍了MENTOR（基于人类感知引导的虹膜展示攻击检测的预训练），通过两轮独特的训练解决了数据收集以及如何高效地将这些信息合并到模型的训练中的问题。通过学习人类显著性地图，我们展示了MENTOR的三个优点：（a）与通用权重（例如ImageNet来源或随机权重）相比，使用训练于人类感知的编码器权重显著提高了虹膜展示攻击检测的性能；（b）能够为未知虹膜展示攻击样本生成无限数量的人类样式显著性地图，以供任何人类感知引导训练范式使用；（c）提高了虹膜攻击检测模型训练的效率。本文提供源代码和权重。

Oct, 2023

本研究应用深度学习方法在生物特征访问控制系统中抵御演示攻击，通过应用小波变换提取生物特征图像的特征，并修改了深度残差神经网络来检测演示攻击。在ATVS虹膜数据集上，获得了93%的最佳准确率；在CASIA两类数据集和CASIA裁剪图像数据集上，分别实现了91%和82%的测试准确率。

Nov, 2023

使用基于生成对抗网络的合成虹膜图像生成技术进行全面评估，旨在为培训和测试虹膜识别系统和攻击检测器提供真实和可用的虹膜图像。该综述分析了不同模型生成的图像在真实性、唯一性和生物特征实用性方面的优缺点，以发展稳健的虹膜匹配器和攻击检测器。

Apr, 2024

本研究解决了虹膜展示攻击检测中存在的隐私泄露问题，提出了一种仅使用合成无身份信息泄漏的虹膜图像的方法。研究表明，通过合成数据训练的模型与使用真实人类虹膜图像训练的模型相比，尽管性能稍逊，但随着生成模型的逐步提升，开发隐私安全的虹膜PAD方法具有较大的潜力。

Aug, 2024

本研究针对面部防伪中的跨域问题，特别关注数据质量和数量的影响。我们提出了任务特定的面部防伪数据增强方法（FAS-Aug），通过合成各种伪造物的噪声，提升数据多样性，从而优化模型的跨域性能。此外，我们引入了防伪攻击风险均衡（SARE）策略，进一步提高泛化能力。最后，结合最新的视觉变换器网络，我们的方法在跨域泛化领域取得了最先进的性能。

Sep, 2024