- 虹膜表征攻击：评估采用钒二氧化物薄膜与人工眼睛的影响
研究在近红外光谱 (NIR) 下运行的虹膜识别系统的漏洞与解决方案，发现在人造眼表面附着氧化二钒 (VO2) 薄膜时会导致虹膜鉴别方法误将其误分类为真实眼睛，存在系统性分析和有效解决的漏洞。
- 多光谱成像的补充信息是否能提高面部呈现攻击检测？
使用多光谱成像技术进行人脸展示攻击检测，通过图像融合和分值融合两种不同方式结合多光谱成像的互补信息，提高人脸攻击检测的性能。
- 无接触指纹生物识别系统的通用反欺骗方法
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 - PAD-Phys 在面部生物测量中利用生理学进行演示攻击检测
基于远程光电容积描记术 (rPPG)，本研究提出了三种不同的基于 rPPG 的展示攻击检测方法：(i) 生理领域，即使用 rPPG 模型的领域，(ii) Deepfakes 领域，在其中从生理领域重新训练模型以执行特定的 Deepfakes - 非接触式指纹算法和系统的活体检测竞赛 (LivDet-2023 非接触式指纹)
LivDet-2023 是非接触式指纹感知攻击检测（PAD）的竞赛，它提供了对算法和系统进行评估的国际竞争平台。该竞赛使用非接触式指纹感知攻击作为基准，为学术界和行业提供了非接触式指纹 PAD 的最新研究和系统的独立评估，同时提供了常见的算 - ICCVFLIP: 跨领域人脸反欺骗技术与语言引导
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。
- t-EER：无参数的连锁评估对策和生物特征比对器
提出了一种新的用于同时评估作为生物识别验证系统一部分的假冒攻击检测解决方案的度量指标，该度量指标不受攻击流行度的影响，可应用于各种生物识别系统评估。
- 基于生成对抗网络的开放式纹理生成器指纹呈现攻击检测
该论文提出了一种基于卷积神经网络和生成对抗网络的指纹图像防攻击方法，通过生成与现有攻击样本不同的真实样本来增加数据集，有效提高了指纹图像防攻击的准确性。
- 基于深度学习的指纹呈现攻击检测：综述
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。
- Flickr-PAD: 新面孔高分辨率演示攻击检测数据库
本研究提出了一种基于 Flickr 图像的新型 PAD 数据库：Flickr-PAD，利用该数据库进行训练和评估可以得到比现有算法更好的结果，该方法使用了 MobileNet-V3 和 EfficientNet-B0 模型， BPCER10 - 一种新的二维人脸表现攻击检测的主动解决方案
本文综述了人脸识别中的生物特征身份认证和防攻击技术，介绍了各种攻击方法及现有的防御方式，提出了一种新的无需训练数据的主动攻击检测方法。
- ECCVFRT-PAD：基于人脸相关任务驱动的有效呈现攻击检测
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) -ba - 3D 高保真面罩攻击检测挑战赛
本文提出了一种大规模的、高保真度面具数据集 HiFiMask，设计了协议 3 来评估算法在开放场景下的识别和推广能力，并组织了一场 3D 高保真度面具面部攻击检测挑战赛，最终提供了排名算法的概述分析以及面具攻击检测的相关研究思路。
- CVPRRGBD 人脸反欺诈的跨模态焦点损失
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 - 一种紧凑型深度学习模型用于人脸欺骗检测
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。
- 利用多通道卷积神经网络学习人脸呈现攻击检测的单类表示
本文提出了一种基于多通道卷积神经网络的一类分类器方法，其中引入了一种新的损失函数，通过一类高斯混合模型实现面部认证攻击检测，该方法的实验结果表明具有较高的泛化能力。
- 基于多通道卷积神经网络的生物特征面部呈现攻击检测
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 - CVPR通用人脸防欺骗的深度异常检测
本文提出了一种新颖的基于深度度量学习技术的面部异常检测架构，通过引入新的损失函数 “度量 softmax”，引导学习过程中的特征向更加具有区分性的表示；同时，通过 few-shot 方法进行后验概率估计，无需训练分类器即可验证结果；实验结果 - 通用表现攻击检测：一种面部防欺诈评估方案
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 - RoPAD: 无监督对抗不变性强的强鲁棒性演示攻击检测
RoPAD 是一种使用深度学习的端到端模型，通过无监督的对抗不变性来忽略图像中的视觉干扰，从而实现有效的演示攻击检测。实验证明该框架在多个基准数据集上展现了最先进的性能。