- 增强移动人脸反欺诈：面向屏幕闪光下的多样化攻击类型的鲁棒性框架
本文提出了一种抗各种攻击类型的人脸反欺诈框架 (ATR-FAS)，通过使用多个网络生成深度图并利用多个专家网络的结果进行混合，实现了对欺诈人脸的稳定检测，并且在大量实验证明了该框架显著优于现有最先进的方法。
- 基于显著性的人脸反欺诈视频摘要
通过提取视觉显著性信息，利用基于加权融合的视频摘要方法改进人脸防伪识别模型的性能和效率，以面向数据的方式提供一种有效的训练集，通过 CNN-RNN 架构在五个具有挑战性的人脸防伪数据集上取得了最先进的表现。
- AdvFAS: 对抗性示例下的鲁棒人脸防伪框架
确保人脸识别系统对抗攻击的可靠性需要部署人脸反欺骗技术。尽管在这个领域取得了相当大的进展，但即使是最先进的方法也难以防御对抗性样本。为了克服这些挑战，我们深入探讨对抗检测与人脸反欺骗之间的关系，并基于此提出了一种强大的人脸反欺骗框架，即 A - 可视化提示的灵活模态人脸反欺诈
最近，基于视觉变换器的多模态学习方法被提出来改善人脸反欺诈系统的鲁棒性。然而，由于各种成像传感器的缺失模态，从真实世界中收集的多模态人脸数据往往是不完整的。在本文中，我们提出了 “视觉提示灵活多模态人脸反欺诈” （VP-FAS）的方法，通过 - 具有卷积视觉变换器的强韧面部反欺诈框架
基于卷积视觉变换器的框架通过全局信息和面部图像中的局部线索来改善人脸识别性能和抵抗领域转变的作用，在面部反欺诈和领域泛化等领域取得了显著的提升。
- CVPR面部反欺诈的几何时间动态研究
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 - 用于人脸反欺诈的潜在分布调整
本论文提出了一种名为 Latent Distribution Adjusting（LDA）的统一框架，通过多个样本原型来调整复杂的数据分布，以改善面部防欺骗模型的鲁棒性，并能适应多种不同分布的数据集。实验结果表明，此框架在多个标准的面部防欺 - FM-ViT：面部反欺诈的灵活模态视觉变压器
本文提出了一种基于 Transformer 的框架，名为 Flexible Modal Vision Transformer (FM-ViT)，用于面部防欺骗，以灵活地针对任何单模态攻击情景和可用的多模态数据。实验结果表明，单个基于 FM- - 监视人脸演示攻击检测挑战赛
本文介绍了通过收集大规模 SuHiFiMask 数据集并举行面部表现攻击检测挑战赛来填补 FAS 领域中的空白，从而探讨长距离场景中的反欺骗技术，挑战吸引了 180 支队伍参加开发及最终比赛，本文也提供了排名最高的算法及其在攻击检测领域中的 - CVPR面部反欺诈的实例感知域泛化
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。
- CVPR2023 年野外人脸反欺诈挑战：基准和结果
介绍野外人脸防炸数据集（WFAS），该数据集包含 853,729 张交错图像，涵盖了 321,751 个欺诈主题和 148,169 个真实主题，集成了从互联网获得欺诈数据，并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。
- CVPR重新思考面部防欺诈领域通用性问题：可分性和对齐
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。
- 监控人脸反欺诈
本文提出了一种基于 SuHiFiMask 数据集的 CQIL 网络，用于解决监控安全场景下面临的照片模拟攻击干扰和图像质量降低等问题。该方法通过图像质量变量模块（IQV）、对比学习策略和独立于图像质量的 Separate Quality N - AAAI循环解缠特征翻译用于人脸反欺诈
本文提出了一种基于循环解缠的特征转换网络 (CDFTN) 的领域自适应方法，能够生成伪标签样本，从而实现源域不变的活体特征和目标域特定内容特征的解离。采用源域标签监督合成的伪标签图像来训练鲁棒的分类器，扩展到多目标域适应。实验证明，该方法明 - ECCV更新人脸反欺诈模型的多域学习
本文提出了一种针对多种领域的人脸防欺骗的新模型，使用简单且有效的欺诈区域估计器 (SRE) 来识别欺诈痕迹，并提出了一个名为 FAS-wrapper 的新框架，以协助从已有的预先训练的模型中转移知识并与不同的 FAS 模型无缝集成。此外，还 - ECCV面部反欺诈的生成域适应
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。
- MM适应性专家混合学习以实现通用人脸反欺诈
提出了一个基于领域泛化的用于面部反欺诈的自适应专家混合学习框架，该框架利用专家间的关联性来进一步提高泛化性能，并且实验证明其相比于现有算法具有更好的效果。
- 基于半监督学习的人脸反欺诈通用方法
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。
- CVPRPatchNet: 一种基于精细化 Patch 识别的简易面部防欺骗框架
本文提出了 PatchNet 框架，通过对非扭曲的面部图像裁剪，识别由拍摄设备和陈列材料组成的细粒度面部图案，以加强对本地拍摄模式的区分学习，同时提出了新的分类和自监督相似度损失函数，并在多项测试数据上验证了该框架在面部反欺诈技术方面的优越 - 自适应 Transformers 用于稳健的少样本跨域人脸防伪
本文提出一种自适应视觉变换器 (ViT) 方法，利用集成适配器模块和特征转换层适应不同域的数据，从而实现跨域活体检测，并在多个基准数据集上取得了与现有方法相媲美的性能.