Backdoor Poisoning Attack Against Face Spoofing Attack Detection Methods
Graduate School of Information Sciences, Tohoku University, Japan（东京大学信息科学研究生院）
本文提出一种针对人脸欺骗攻击检测方法的后门投毒攻击，通过将欺骗图像特征嵌入真实图像使特定攻击绕过检测，实验证明其对现有检测系统构成现实威胁。
2025-09-12 cs.CV
face anti-spoofing based on color texture analysis
University of Oulu（奥卢大学）
人脸欺骗检测的研究主要集中在分析人脸图像的亮度，从而丢弃了色度信息，这可以用来区分真假人脸。在这项工作中，我们提出了一种新的人脸反欺骗方法的基础上的颜色纹理分析。我们分析了联合颜色纹理信息的亮度和色度通道使用颜色局部二进制模式描述符。更具体地，从每个图像带单独提取特征直方图。两个基准数据集，即CASIA面对反欺骗和重放攻击数据库，进行了广泛的实验，表现出优异的结果相比，最先进的。最重要的是，我们的数据库间的评估表明，所提出的方法表现出非常有前途的泛化能力。
2015-11-19 cs.CV
How far did we get in face spoofing detection?
Federal University of Bahia（巴伊亚联邦大学）；São Paulo State University（圣保罗州立大学）
基于人脸识别的控制访问系统的使用越来越多，这表明需要更准确的系统来检测人脸欺骗攻击。在本文中，广泛的分析，在过去十年发表的人脸欺骗检测工作。所分析的作品按其基本部分进行分类，即，描述符和分类符。这种结构化的调查还带来了人脸欺骗检测领域的时间演变，以及考虑到该领域最重要的公共数据集的作品的比较分析。在这项工作中遵循的方法是特别相关的观察趋势，在现有的方法，讨论仍然开放的问题，并提出新的观点，为未来的人脸欺骗检测。
2018-09-29 cs.CV
Learning Meta Model for Zero- and Few-shot Face Anti-spoofing
Northwestern Polytechnical University（西北工业大学）；AIBEE；National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所模式识别国家重点实验室）；Winsense Technology Ltd（文思海辉技术有限公司）；University of Oulu（奥卢大学）
人脸防欺骗是人脸识别系统安全的关键。大多数现有的方法将人脸反欺骗描述为一个监督学习问题来检测各种预定义的呈现攻击，这需要大规模的训练数据来覆盖尽可能多的攻击。然而，经过训练的模型很容易过拟合几种常见的攻击，并且仍然容易受到看不见的攻击。为了克服这一挑战，检测器应该：1）学习可以从预定义的呈现攻击中概括出不可见的欺骗类型的判别特征; 2）通过从预定义的攻击和新欺骗类型的一些示例中学习，快速适应新的欺骗类型。因此，我们将人脸反欺骗定义为零和少样本学习问题。在本文中，我们提出了一种新的自适应内部更新Meta人脸反欺骗（AIM-FAS）方法来解决这个问题，通过元学习。具体来说，AIM-FAS训练一个元学习器，专注于通过从预定义的活体和欺骗面部以及一些新攻击的示例中学习来检测看不见的欺骗类型。为了评估所提出的方法，我们提出了几个基准零和Few-Shot FAS。实验结果表明，该算法在已有的zero-shot FAS协议中的性能优于已有算法。
2019-12-02 cs.CV
Exploring Hypergraph Representation on Face Anti-spoofing Beyond 2D Attacks
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
人脸反欺骗在保护人脸识别系统免受各种攻击方面起着至关重要的作用。先前的基于模型和深度学习的方法对于2D人脸欺骗实现了令人满意的性能，但是对于更高级的3D攻击（例如生动的面具）仍然有限。在本文中，我们解决了三维人脸反欺骗通过建议超图卷积神经网络（HGCNN）。首先，我们构造了一个计算效率和姿态不变的人脸表示超图上只有几个关键点。然后将超图表示馈送到所设计的HGCNN中，其中超图卷积用于特征提取，而深度辅助也用于3D掩模反欺骗。此外，我们建立了一个三维人脸攻击数据库的颜色，深度和红外光信息，以克服三维人脸反欺骗数据的不足。实验表明，我们的方法实现了国家的最先进的性能，广泛使用的3D和2D数据库，以及提出了一个在各种测试。
2018-12-13 cs.CV
Face Spoofing Detection by Fusing Binocular Depth and Spatial Pyramid Coding Micro-Texture Features
Shanghai Jiao Tong University（上海交通大学）
鲁棒特征对人脸欺骗检测至关重要，因为各种情况使得特征空间的划分非常复杂。因此，在本文中，提出了两个新的和强大的反欺骗功能。第一个是基于双目相机的深度特征，称为模板面部匹配双目深度（TFBD）特征。第二个是一个高层次的微纹理的基础上的功能称为空间金字塔编码微纹理（SPMT）功能。除了这两个新功能之外，还介绍了新型模板人脸配准算法和空间金字塔编码算法。基于这两个鲁棒特征实现了多模态人脸欺骗检测。在一个广泛使用的数据集和一个我们自己构建的综合数据集上进行了实验。实验结果表明，融合了本文提出的特征的人脸欺骗检测方法具有较强的鲁棒性和时间效率，同时优于其他最先进的传统方法。
2018-03-13 cs.CV
A Dataset and Benchmark for Large-scale Multi-modal Face Anti-spoofing
JD AI Research（京东人工智能研究院）；MUST（澳门科技大学）；NLPR, CASIA, UCAS（中国科学院自动化研究所模式识别国家重点实验室、中国科学院大学）；Universitat de Barcelona, Computer Vision Center（巴塞罗那大学计算机视觉中心）；JD Finance（京东金融）
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。近年来，人脸反欺骗基准数据集的可用性取得了很大进展。然而，现有的人脸反欺骗基准的主题（$\le\negmedspace170$）和模态（$\leq\negmedspace2$）的数量有限，这阻碍了学术界的进一步发展。为了促进人脸反欺骗研究，我们引入了一个大规模的多模态数据集，即CASIA-SURF，这是最大的公开可用的人脸反欺骗数据集的主题和视觉模态。具体地，它由具有$21,000$视频的$1,000$受试者组成，并且每个样本具有$3$模态（即，RGB、深度和IR）。我们还提供了一个测量集，评估协议和训练/验证/测试子集，为人脸反欺骗开发了一个新的基准。此外，我们提出了一种新的多模态融合方法作为基线，该方法进行特征重新加权，以选择信息量更大的通道特征，同时抑制每个模态的有用性较低的特征。在所提出的数据集上进行了大量的实验，以验证其重要性和泛化能力。该数据集可在https://sites.google.com/qq.com/chalearnfacespoofingattackdete上获得
2019-04-01 cs.CV
Look Locally Infer Globally: A Generalizable Face Anti-Spoofing Approach
Georgia Institute of Technology（佐治亚理工学院）
最先进的欺骗检测方法倾向于过拟合训练期间看到的欺骗类型，并且无法推广到未知的欺骗类型。鉴于人脸反欺骗本质上是一个本地任务，我们提出了一个人脸反欺骗框架，即自监督区域全卷积网络（SSR-FCN），它被训练成以自监督的方式从人脸图像中学习本地判别线索。该框架提高了通用性，同时保持了整体人脸反欺骗方法的计算效率（在Nvidia GTX 1080Ti GPU上< 4 ms）。所提出的方法是可解释的，因为它定位了面部的哪些部分被标记为欺骗。实验结果表明，SSR-FCN可以达到TDR = 65%@2.0%FDR时，评估数据集上包括13种不同的欺骗类型在未知的攻击，而标准的基准数据集（Oulu-NPU，CASIA-MFSD，和重放攻击）下实现竞争性的性能。
2020-06-15 cs.CV
PipeNet: Selective Modal Pipeline of Fusion Network for Multi-Modal Face Anti-Spoofing
Intel（英特尔）
由于呈现攻击的猖獗和容易发起，面部反欺骗已经成为认证系统的一个越来越重要和关键的安全功能。针对多模态人脸数据集的不足，CASIA近日发布了最新的CASIA-SURF跨种族人脸反欺骗（CeFA）数据集，涵盖3个种族、3种模态、1607个主题、4种协议的2D +3D攻击类型，重点解决跨种族、多模态连续数据中人脸反欺骗泛化能力的提升问题。在本文中，我们提出了一种新的基于流水线的多流CNN架构称为PipeNet的多模态人脸反欺骗。与以前的作品不同，选择性模态管道（SMP）旨在为每种数据模态提供定制的管道，以充分利用多模态数据。有限帧投票（LFV）的目的是确保稳定和准确的预测视频分类。该方法在Chalearn多模态跨种族人脸反欺骗识别论坛@CVPR2020的最终排名中获得第三名。我们最终提交的测试集上的平均分类出错率（ACER）为2.21，标准差为1.26。
2020-04-24 cs.CV
Regularized Fine-grained Meta Face Anti-spoofing
Hong Kong Baptist University（香港浸会大学）
随着人脸识别技术的广泛应用，人脸呈现攻击成为一个日益重要的问题。目前已经提出了许多人脸反欺骗方法，但大多数都忽略了对不可见攻击的泛化能力。为了克服这一局限性，这项工作将人脸反欺骗作为一个领域泛化（DG）问题，并试图通过开发一个新的元学习框架来解决这个问题，称为正则化细粒度元学习。为了让我们的人脸反欺骗模型很好地推广到看不见的攻击，所提出的框架训练我们的模型在模拟的域转移场景中表现良好，这是通过在元学习过程中找到广义学习方向来实现的。具体而言，该框架将人脸反欺骗领域知识作为正则化，以便在领域知识的监督下正则化的特征空间中进行元学习。这使得我们的模型更有可能通过正则化元学习找到广义学习方向，用于面部反欺骗任务。此外，为了进一步提高我们的模型的泛化能力，该框架采用了细粒度的学习策略，同时进行元学习在各种领域的变化情况下，在每次迭代。在四个公开数据集上的实验验证了该方法的有效性。
2019-11-25 cs.CV
A Novel Face-Anti Spoofing Neural Network Model For Face Recognition And Detection
BITS Pilani, KK Birla Goa Campus（博拉理工学院（BITS Pilani）KK·比拉果阿校区）
人脸识别（FR）系统被用于各种应用，包括道路交叉口，银行和移动银行。FR系统的广泛使用引起了人们对面部生物识别技术对抗欺骗攻击的安全性的担忧，欺骗攻击使用合法用户面部的照片或视频来获得对资源或活动的非法访问。尽管开发了几种FAS或活性检测方法（其在获取时确定面部是活的还是欺骗的），但由于难以识别歧视和操作上合理定价的欺骗特征，问题仍然没有解决。此外，某些面部部分经常重复或与图像混乱相关，导致整体性能较差。本研究提出一种人脸反欺骗神经网络模型，其性能优于现有模型，效率为0.89%。
2022-05-14 cs.CV
Generalized Face Anti-Spoofing via Multi-Task Learning and One-Side Meta Triplet Loss
National Tsing Hua University（台湾清华大学）；Microsoft AI R&D Center（微软人工智能研发中心）
随着人脸呈现攻击的多样性，模型泛化成为实际人脸反欺骗系统面临的重要挑战。本文提出了一个广义的人脸反欺骗框架，包括三个任务：深度估计，人脸解析，和生活/欺骗分类。通过人脸解析和深度估计任务的逐像素监督，正则化特征可以更好地区分欺骗人脸。在用元学习技术模拟域转移时，所提出的单侧三元组丢失可以进一步大幅度提高泛化能力。在四个公共数据集上的大量实验表明，所提出的框架和训练策略比以前的工作更有效，可以将模型推广到未知领域。
2022-11-29 cs.CV
Exploiting temporal and depth information for multi-frame face anti-spoofing
JD Finance（京东金融）；Huawei Cloud（华为云）；Chinese Academy of Sciences（中国科学院）
人脸防欺骗对人脸识别系统的安全性具有重要意义。深度监督学习的前期工作已经证明了人脸反欺骗的有效性。然而，他们只是把深度作为单一框架中的辅助监督。不同于这些方法，我们开发了一种新的方法来估计深度信息从多个RGB帧，并提出了一个深度监督架构，可以有效地编码时空信息的演示攻击检测。它包括两个新模块：光流引导特征块（OFFB）和卷积门控递归单元（ConvGRU）模块，其被设计用于提取短期和长期运动以区分活体和欺骗人脸。大量的实验表明，所提出的方法在四个基准数据集上取得了最先进的结果，即OULU-NPU，SiW，CASIA-MFSD和Replay-Attack。
2019-03-05 cs.CV
Learning Generalized Spoof Cues for Face Anti-spoofing
Baidu Inc.（百度公司）；Beihang University（北京航空航天大学）
许多现有的人脸反欺骗（FAS）方法侧重于对某些预定义欺骗类型的决策边界进行建模。然而，欺骗样本的多样性，包括未知的阻碍了有效的决策边界建模，导致泛化能力弱。在本文中，我们重新制定FAS在异常检测的角度来看，并提出了一个剩余学习框架来学习的歧视性活欺骗的差异，被定义为欺骗线索。该框架由一个欺骗线索生成器和一个辅助分类器组成。该生成器最大限度地减少了实时样本的欺骗线索，同时对欺骗样本的欺骗线索没有明确的约束，从而很好地推广到不可见的攻击。通过这种方式，异常检测被隐式地用于指导欺骗线索生成，从而导致区分性特征学习。辅助分类器充当欺骗提示放大器，并使欺骗提示更具区分性。我们进行了大量的实验，实验结果表明，该方法始终优于国家的最先进的方法。该代码将在https://github.com/vis-var/lgsc-for-fas上公开发布。
2020-05-08 cs.CV
Cross-ethnicity Face Anti-spoofing Recognition Challenge: A Review
Beijing Jiaotong University（北京交通大学）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子研究所）；Beihang University（北京航空航天大学）；Baidu Research（百度研究院）；Westlake University（西湖大学）
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。由于深度神经网络的优异性能和大数据集的可用性，生物识别社区最近取得了令人印象深刻的进展。虽然种族偏见已被证实严重影响人脸识别系统的性能，它仍然是一个开放的人脸反欺骗的研究问题。最近，一个多种族人脸反欺骗数据集CASIA-SURF CeFA已经发布，其目标是测量种族偏见。它是迄今为止最大的跨种族人脸反欺骗数据集，涵盖$3$种族，$3$模式，$1,607$主题，2D加3D攻击类型，以及最近发布的人脸反欺骗数据集中第一个包含明确种族标签的数据集。我们组织了Chalearn Face Anti-spoofing Attack Detection Challenge，其中包括单模态（例如，RGB）和多模态（例如，RGB，深度，红外（IR））围绕这一新资源进行跟踪，以促进旨在减轻种族偏见的研究。两个赛道在开发阶段都吸引了$340$团队，最终分别有11支和8支团队在单模态和多模态人脸反欺骗识别挑战赛中提交了代码。所有的结果都经过组织团队的验证和重新运行，结果用于最终排名。本文概述了挑战，包括其设计，评估协议和结果总结。我们分析排名靠前的解决方案，并从竞争中得出结论。此外，我们还概述了今后的工作方向。
2020-04-23 cs.CV
Online Adaptive Personalization for Face Anti-spoofing
Qualcomm AI Research（高通人工智能研究院）；Qualcomm Technologies, Inc.（高通技术公司）
人脸认证系统需要一个强大的反欺骗模块，因为它们可以通过伪造授权用户的欺骗图像来欺骗。最近的人脸反欺骗方法依赖于优化的架构和训练目标，以减轻训练和测试用户之间的分布偏移。然而，在真实的在线场景中，来自用户的过去数据包含可用于减轻分布偏移的有价值的信息。因此，我们介绍OAP（在线自适应个性化）：一个轻量级的解决方案，可以适应模型在线使用未标记的数据。OAP可以应用于大多数反欺骗方法之上，而无需存储原始生物特征图像。通过对SiW数据集的实验评估，我们表明OAP提高了现有方法在单一视频设置和连续设置上的识别性能，其中欺骗视频与实时视频交织以模拟欺骗攻击。我们还进行消融研究，以确认我们解决方案的设计选择。
2022-07-04 cs.CV
Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Shanghai University（上海大学）；JD AI Research（京东人工智能研究院）
人脸反欺骗（FAS）在防止人脸识别系统遭受呈现攻击方面起着至关重要的作用。现有的人脸反欺骗数据集缺乏多样性，由于身份不足和不显著的方差，这限制了FAS模型的泛化能力。在本文中，我们提出了双重欺骗解纠缠生成（DSDG）框架来解决这个挑战，通过“反欺骗通过生成”。根据变分自编码器（VAE）中的可解释的因子分解潜在解纠缠，DSDG学习潜在空间中的身份表示和欺骗模式表示的联合分布。然后，可以从随机噪声中生成大规模成对的实时和欺骗图像，以提高训练集的多样性。然而，由于VAE的固有缺陷，一些生成的人脸图像部分失真。这样的噪声样本很难预测精确的深度值，因此可能会阻碍广泛使用的深度监督优化。为了解决这个问题，我们进一步引入了一个轻量级的深度不确定性模块（DUM），它通过深度不确定性学习来消除噪声样本的不利影响。DUM是在没有额外依赖的情况下开发的，因此可以灵活地与任何深度监督网络集成，用于面部反欺骗。我们评估了所提出的方法的有效性五个流行的基准，并达到国家的最先进的结果下，内部和内部测试设置。这些代码可在https://github.com/JDAI-CV/FaceX-Zoo/tree/main/addition_module/DSDG上获得。
2021-12-01 cs.CV
Leveraging Intermediate Features of Vision Transformer for Face Anti-Spoofing
Graduate School of Information Sciences, Tohoku University, Japan（东北大学信息科学研究生院）；Faculty of Informatics, Shizuoka University, Japan（静冈大学信息学系）
针对人脸识别系统易受照片欺骗攻击的问题，提出基于ViT中间特征的人脸反欺骗检测方法，结合两种数据增强策略，在OULU-NPU、SiW数据集上验证了有效性。
2025-06-16 cs.CV
Deep Tree Learning for Zero-shot Face Anti-Spoofing
Michigan State University（密歇根州立大学）
人脸反欺骗旨在防止人脸识别系统将假面孔识别为真正的用户。虽然先进的面部反欺骗方法被开发出来，但新类型的欺骗攻击也正在产生，并成为对所有现有系统的威胁。我们将未知欺骗攻击的检测定义为零镜头人脸反欺骗（Zero-Shot Face Anti-Spoofing，简称ZEFA）。以前的研究工作只研究了1-2种欺骗攻击，如打印/重放攻击，这限制了对该问题的深入了解。在这项工作中，我们扩展的欺骗攻击，包括打印攻击，重放攻击，3D面具攻击等13种类型的广泛的欺骗问题，提出了一种新的深度树网络（DTN）来解决的欺骗问题。学习树以无监督的方式将欺骗样本划分为语义子组。当数据样本到达时，无论是已知攻击还是未知攻击，DTN都将其路由到最相似的欺骗集群，并做出二分判决。此外，为了使研究的反欺骗FA，我们介绍了第一个面对反欺骗数据库，其中包含不同类型的欺骗攻击。实验结果表明，该方法在多个测试协议上达到了最佳的测试效果。
2019-04-09 cs.CV
Learn Convolutional Neural Network for Face Anti-Spoofing
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
虽然取得了一些进展，但手工纹理特征，如，LBP [23]，LBP-TOP [11]仍然无法捕捉真实和虚假面孔之间最具区别性的线索。在本文中，我们不是自己设计特征，而是依靠深度卷积神经网络（CNN）以监督的方式学习具有高区分能力的特征。结合一些数据预处理，人脸防欺骗性能大大提高。在实验中，与现有技术相比，在两个具有挑战性的数据集CASIA [36]和REPLAY-ATTACK [7]上，半总出错率（HTER）相对降低了70%以上。同时，两个数据集之间的测试实验结果表明，CNN可以获得具有更好泛化能力的特征。此外，使用来自两个数据集的组合数据训练的网络在两个数据集之间的偏差较小。
2014-08-26 cs.CV
Improving Face Anti-Spoofing by 3D Virtual Synthesis
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；First Research Institute of the Ministry of Public Security of PRC（中华人民共和国公安部第一研究所）
人脸防欺骗是人脸识别系统安全的关键。基于学习的方法，特别是基于深度学习的方法需要大规模的训练样本来减少过拟合。然而，获取欺骗数据是非常昂贵的，因为在许多视图中应该重新打印和重新捕获活体面部。在本文中，我们提出了一种方法来合成虚拟欺骗数据在三维空间，以缓解这个问题。具体来说，我们将打印照片视为平面，并将其网格化为3D对象，然后在3D空间中随机弯曲和旋转。然后，将变换后的3D照片作为虚拟样本通过透视投影进行渲染。合成的虚拟样本可以显着提高反欺骗性能时，与建议的数据平衡策略相结合。我们有希望的结果为使用廉价和大规模的合成数据推进面部反欺骗开辟了新的可能性。
2021-02-10 cs.CV
Optimizing DINOv2 with Registers for Face Anti-Spoofing
Graduate School of Information Sciences, Tohoku University, Japan（信息科学研究生院，东北大学，日本）
本文提出基于DINOv2的面部反伪装方法，通过优化注意力机制以检测活体与伪装面部图像的细微差异。
2025-11-25 cs.CV
CASIA-SURF CeFA: A Benchmark for Multi-modal Cross-ethnicity Face Anti-spoofing
MUST（澳门科技大学）；NLPR, CASIA（中国科学院自动化研究所模式识别国家重点实验室）；BJTU（北京交通大学）；CVC, UB（巴塞罗那大学计算机视觉中心）；Baidu Research（百度研究院）
种族偏见已经被证明会对人脸识别系统的性能产生负面影响，并且它仍然是人脸反欺骗中的一个开放研究问题。为了研究人脸反欺骗的种族偏见，我们介绍了最大的最新的CASIA-SURF跨种族人脸反欺骗（CeFA）数据集（简称CeFA），涵盖$3$种族，$3$模式，$1,607$主题，和2D加3D攻击类型。四个协议被引入到不同的评估条件下，如跨种族，未知的欺骗或两者兼而有之的影响进行测量。据我们所知，CeFA是第一个在当前已发布/已发布的人脸反欺骗数据集中包含明确种族标签的数据集。然后，我们提出了一种新的多模态融合方法作为强基线来减轻这些偏差，即，在每个模态中应用的静态-动态融合机制（即，RGB、深度和红外图像）。之后，提出了一种部分共享的融合策略，从多个模态中学习互补信息。大量的实验表明，该方法在CASIA-SURF，OULU-NPU，SiW和CeFA数据集上取得了最先进的结果。
2020-03-11 cs.CV
CASIA-SURF: A Large-scale Multi-modal Benchmark for Face Anti-spoofing
National Laboratory of Pattern Recognition (NLPR), Institute of Automation Chinese Academy of Sciences (CASIA) and University of Chinese Academy of Sciences (UCAS)（中国科学院自动化研究所（CASIA）模式识别国家重点实验室（NLPR）和中国科学院大学（UCAS））；Macau University of Science and Technology (MUST)（澳门科技大学（MUST））；Institute of Deep Learning, Baidu Research（百度研究院深度学习研究所）；National Engineering Laboratory for Deep Learning Technology and Application（深度学习技术及应用国家工程实验室）；Universitat de Barcelona (UB) and Computer Vision Center (CVC)（巴塞罗那大学（UB）和计算机视觉中心（CVC））；Instituto Nacional de Astrofísica, Óptica y Electrónica（国立天体物理、光学与电子研究所（INAOE））；Computer Science Department at CINVESTAV-Zacatenco（CINVESTAV-萨卡特科恩科计算机科学系）；Westlake University and Institute of Automation Chinese Academy of Sciences (CASIA)（西湖大学和中国科学院自动化研究所（CASIA））
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。近年来，人脸反欺骗基准数据集的可用性取得了很大进展。然而，现有的人脸反欺骗基准的主题（$\le\negmedspace170$）和模态（$\leq\negmedspace2$）的数量有限，这阻碍了学术界的进一步发展。为了促进人脸反欺骗研究，我们引入了一个大规模的多模态数据集，即CASIA-SURF，这是最大的公开可用的人脸反欺骗数据集的主题和方式。具体地，它由具有$21,000$视频的$1,000$受试者组成，并且每个样本具有$3$模态（即，RGB、深度和IR）。我们还提供全面的评估指标，多样化的评估协议，培训/验证/测试子集和测量工具，为面部反欺骗开发新的基准。此外，我们提出了一种新的多模态多尺度融合方法作为强基线，该方法执行特征重新加权以选择信息量更大的通道特征，同时抑制跨不同尺度的每个模态的不太有用的特征。在所提出的数据集上进行了大量的实验，以验证其重要性和泛化能力。该数据集可在https://sites.google.com/qq.com/face-anti-spoofing/welcome/challengecvpr2019?上获得authuser=0
2020-02-04 cs.CV
Enhancing Mobile Privacy and Security: A Face Skin Patch-Based Anti-Spoofing Approach
China Merchants Bank（招商银行）
本文针对人脸防欺骗中隐私泄露和加解密耗时问题，提出基于纯面部皮肤块图像的防欺骗算法，无需加解密，并在多个公开数据集上验证了其在准确性和速度上的优势。
2023-08-09 cs.CV
Static and Dynamic Fusion for Multi-modal Cross-ethnicity Face Anti-spoofing
NLPR, CASIA（中国科学院自动化研究所国家模式识别实验室）；BJTU（北京交通大学）；CVC, UB（巴塞罗那大学计算机视觉中心）；Baidu Research（百度研究院）；MUST（澳门科技大学）
无论使用深度学习和手工制作的方法，视频的动态信息和跨种族的影响很少被考虑在面部反欺骗。在这项工作中，我们提出了一个静态和动态融合机制的多模态人脸反欺骗。受真实和虚假面部之间的运动差异的启发，我们将通过具有静态信息的秩池计算的动态图像合并到用于每种模态的常规神经网络（CNN）中（即，RGB、深度和红外（IR））。然后，我们开发了一种部分共享的融合方法来学习互补的信息，从多个模态。此外，为了研究该提案在跨种族攻击和未知欺骗方面的泛化能力，我们引入了最大的公共跨种族人脸反欺骗（CASIA-CeFA）数据集，涵盖3个种族，3种模式，1607个主题和2D加3D攻击类型。实验结果表明，该方法在CASIA-CeFA、CASIA-SURF、OULU-NPU和SiW上均取得了较好的效果。
2019-12-16 cs.CV
Domain-generalizable Face Anti-Spoofing with Patch-based Multi-tasking and Artifact Pattern Conversion
Chung-Ang University（中央大学）；Nota AI；Hanbat National University（韩巴国立大学）
本文提出PCGAN网络提升面部反伪装的领域通用性，通过补丁多任务学习解决部分攻击和过拟合问题，实验验证其在检测部分攻击和提升面部识别安全性的有效性。
2026-04-10 cs.CV
Uncertainty-Aware Physically-Guided Proxy Tasks for Unseen Domain Face Anti-spoofing
Texas A&M University（德州农工大学）；NEC Laboratories America（NEC美国实验室）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
人脸反欺骗（FAS）旨在区分真实人脸与任何类型的欺骗攻击所产生的虚假人脸。由于攻击的种类繁多，因此不可能获得跨越所有攻击类型的训练数据。我们建议利用物理线索，以达到更好的推广看不见的领域。作为一个具体的演示，我们使用物理引导的代理线索，如深度，反射和材料，以补充我们的主要反欺骗（也称为活性检测）任务，直觉是跨域的真实面孔具有一致的面部几何形状，最小的反射和皮肤材料。我们引入了一种新的不确定性感知注意力方案，该方案独立地学习权衡主任务和代理任务的相对贡献，防止了传统注意力模块的过度自信问题。此外，我们提出了属性辅助的硬负面挖掘，以解开在学习过程中的活性特征与活性无关的功能。我们使用数据集内和数据集间协议对公共基准进行了广泛的评估。我们的方法实现了优越的性能，特别是在看不见的领域泛化FAS。
2020-11-28 cs.CV
Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing
AIBEE CMVS（爱笔智能计算机视觉与多媒体系统实验室）；University of Oulu（奥卢大学）；Academy of Sciences（科学院）；Mininglamp Technology（明略科技）；CBSR&NLPR, CASIA（中国科学院生物识别与安全技术研究中心&模式识别国家重点实验室）；Northwestern Polytechnical University（西北工业大学）；JD Digits（京东数科）
人脸防欺骗是人脸识别系统安全的关键。深度监督学习已被证明是人脸反欺骗的最有效方法之一。尽管取得了巨大的成功，大多数以前的作品仍然制定了一个单帧多任务的问题，简单地增加了深度的损失，而忽略了详细的细粒度信息和面部深度和移动模式之间的相互作用。相比之下，我们设计了一种新的方法来检测来自多个帧的呈现攻击，基于两个见解：1）详细的区别性线索（例如，空间梯度幅度）可以通过堆叠的香草卷积被丢弃，以及2）3D移动面部的动态特性提供了检测欺骗面部的重要线索。该方法能够通过残差空间梯度块（RSGB）捕获有区别的细节，并有效地编码时空传播模块（STPM）的时空信息。此外，一种新的对比深度损失，提出了更准确的深度监督。为了评估我们的方法的有效性，我们还收集了一个双模态反欺骗数据集（DMAD），它提供了每个样本的实际深度。实验结果表明，该方法在OULU-NPU、SiW、CASIA-MFSD、Replay-Attack和新的DMAD五个基准数据集上均取得了较好的效果。代码将在https://github.com/clks-wzz/FAS-SGTD上提供。
2020-03-18 cs.CV
Suppressing Spoof-irrelevant Factors for Domain-agnostic Face Anti-spoofing
Kakao Enterprise
人脸反欺骗旨在通过区分图像是来自人脸还是来自欺骗介质来防止人脸识别系统的错误认证。我们提出了一种称为双重对抗抑制网络（Doubly Adversarial Suppression Network，DNF）的新方法，用于域不可知的人脸反欺骗; DNF通过学习有效抑制欺骗无关因素（Spoof-Relevant Factor，SiF）（例如，照相机传感器、照明）。为了实现我们的目标，我们引入了两种类型的对抗学习方案。在第一个对抗学习方案中，通过部署针对编码器训练的多个鉴别头来抑制多个SIF。在第二对抗学习方案中，每个鉴别头也被对抗训练以抑制欺骗因子，并且次级欺骗分类器和编码器的组旨在通过克服抑制来加强欺骗因子。在四个公共基准数据集上对该方法进行了测试，取得了显著的测试结果.结果表明了该方法的有效性。
2020-12-02 cs.CV
Multi-Frames Temporal Abnormal Clues Learning Method for Face Anti-Spoofing
Netease Inc（网易公司）
人脸反欺骗技术在人脸识别中有着广泛的应用，受到了业界和学术界的广泛关注。在本文中，我们提出了EulerNet，一个新的时间特征融合网络，其中差分滤波器和残留金字塔分别用于提取和放大异常线索从连续帧。设计了一种基于人脸标志点的轻量级样本标注方法，以较低的成本标注大规模样本，并且比其他方法（如3D相机）具有更好的效果。最后，我们使用各种移动端收集了30，000个实时和欺骗样本，以创建一个数据集，该数据集复制了现实世界中各种形式的攻击。在公共OULU-NPU上的大量实验表明，我们的算法优于现有技术，我们的解决方案已经部署在现实世界的系统中，为数百万用户提供服务。
2022-08-08 cs.CV
On Disentangling Spoof Trace for Generic Face Anti-Spoofing
Michigan State University（密歇根州立大学）
先前的研究表明，人脸反欺骗的关键在于微妙的图像模式，称为“欺骗痕迹”，例如，颜色失真，3D掩模边缘，莫尔图案，以及许多其他。设计一个通用的反欺骗模型来估计这些欺骗痕迹，不仅可以提高欺骗检测的泛化能力，而且可以提高模型决策的可解释性。然而，这是一个具有挑战性的任务，由于欺骗类型的多样性和缺乏地面真理的欺骗痕迹。这项工作设计了一个新的对抗性学习框架，从输入面孔中分离出欺骗痕迹，作为多尺度模式的分层组合。利用分离的欺骗痕迹，我们揭示了原始欺骗人脸的真实对应物，并在适当的几何校正后进一步合成逼真的新欺骗人脸。我们的方法在可见和不可见的欺骗场景中表现出优越的欺骗检测性能，同时提供视觉上令人信服的欺骗痕迹估计。代码可在https://github.com/yaojieliu/ECCV20-STDN上获得。
2020-07-17 cs.CV
Face Anti-Spoofing Via Disentangled Representation Learning
East China Normal University（华东师范大学）；Youtu Lab, Tencent（腾讯优图实验室）
人脸防欺骗是人脸识别系统安全的关键。以前的方法集中于开发基于从图像中提取的特征的鉴别模型，这可能仍然纠缠在欺骗模式和真实人物之间。本文以解纠缠的表示学习为理论基础，提出了一种新的人脸反欺骗方法，将图像的活性特征和内容特征进行解纠缠，并进一步利用活性特征进行分类。提出了一种卷积神经网络（CNN）结构，通过分解过程和低层与高层监督相结合的方式来提高泛化能力。我们在公共基准数据集上评估了我们的方法，广泛的实验结果证明了我们的方法对最先进的竞争对手的有效性。最后，我们进一步可视化一些结果，以帮助理解的效果和优势的解纠缠。
2020-08-19 cs.CV
Learning Multiple Explainable and Generalizable Cues for Face Anti-spoofing
Hikvision Research Institute, China（海康威视研究院，中国）
虽然先前基于CNN的人脸反欺骗方法在数据集内测试下取得了有希望的性能，但它们在跨数据集测试下的泛化能力较差。主要原因是它们只使用二进制监督来学习网络，这可能会学习到训练数据集上的任意过度拟合线索。为了使学习到的特征更具有可解释性和可推广性，一些研究者引入了面部深度和反射图作为辅助监督。然而，许多其他可推广的线索尚未被用于面部反欺骗，这限制了它们在跨数据集测试下的性能。为此，我们提出了一个新的框架来学习多个可解释和可概括的线索（MEGC）的脸反欺骗。具体而言，受人类决策过程的启发，除了二元监督之外，还引入了人类主要使用的四种线索作为辅助监督，包括欺骗介质的边界，莫尔图案，反射伪影和面部深度。为了避免额外的标记成本，提出了相应的合成方法来生成这些辅助监督图。在公共数据集上的大量实验验证了这些线索的有效性，我们提出的方法实现了最先进的性能。
2022-02-21 cs.CV
Aurora Guard: Reliable Face Anti-Spoofing via Mobile Lighting System
Tencent YouTu Lab（腾讯优图实验室）；Xiamen University（厦门大学）
移动端的人脸认证已经广泛应用于各种场景。尽管先进的人脸认证/验证系统对眨眼和微妙的面部表情等变化的可靠性越来越高，但针对纸质照片或数字视频的高分辨率渲染重放的反欺骗仍然是一个悬而未决的问题。在本文中，我们提出了一个简单而有效的人脸反欺骗系统，称为极光后卫（AG）。该系统首先通过光线反射分析提取正常线索，然后采用端到端可训练的多任务卷积神经网络（CNN）精确恢复主体的内在深度和材质图以辅助活性分类，并在回归分支中采用轻型CAPTCHA检查机制以进一步提高系统的可靠性。在公开的Replay-Attack和CASIA数据集上的实验证明了该方法的优点。我们还在一个包含12，000个真实和多样化欺骗样本的大规模数据集上进行了广泛的实验，这进一步验证了我们的方法在野外的泛化能力。
2021-02-01 cs.CV
Face Anti-Spoofing with Human Material Perception
University of Oulu（奥卢大学）；Chinese Academy of Sciences（中国科学院）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Xi’an Jiaotong University（西安交通大学）
人脸反欺骗（FAS）在保护人脸识别系统免受呈现攻击方面起着至关重要的作用。大多数现有的FAS方法捕获各种线索（例如，纹理、深度和反射）来区分真实面部和欺骗面部。所有这些线索都是基于物理材料之间的差异（例如，皮肤、玻璃、纸和硅树脂）。在本文中，我们将人脸反欺骗重新定义为材料识别问题，并将其与经典的人类材料感知[1]相结合，旨在为FAS提取区分性和鲁棒性的特征。为此，我们提出了双边卷积网络（BCN），它能够通过聚合多级双边宏观和微观信息来捕获基于材料的内在模式。此外，多层次特征细化模块（MFRM）和多头监督，学习更强大的功能。在六个基准数据集上进行了综合实验，所提出的方法在数据集内和跨数据集测试中都取得了优异的性能。一个亮点是，我们在SiW-M数据集上实现了11.3 $\pm$ 9.5\%的跨类型测试EER，这显著优于以前的结果。我们希望这项工作将促进FAS和材料社区之间的未来合作。
2020-07-04 cs.CV
A Dataset and Benchmark Towards Multi-Modal Face Anti-Spoofing Under Surveillance Scenarios
Shanghai Institute for Advanced Communication and Data Science, Shanghai University（上海大学上海先进通信与数据科学研究院）
由于人脸服务场景的复杂性和人脸呈现攻击模式的多样性，人脸反欺骗（FAS）是一个具有挑战性的问题。特别是当采集到的图像分辨率低、模糊、来自不同的域时，FAS的性能会显著下降。现有的多模态FAS数据集很少关注部署场景下的跨域问题，不利于模型性能的研究。为了解决这些问题，我们探讨了多模态相机之间的细粒度差异，并构建了一个跨域的多模态FAS数据集下的监控场景称为GREAT-FASD-S。此外，我们提出了一个基于注意力的人脸反欺骗网络与特征增强（AFA），以解决FAS对低质量的人脸图像。它由深度可分离注意模块（DAM）和基于多模态的特征扩充模块（MFAM）组成。我们的模型可以在CASIA-SURF数据集和我们提出的GREAT-FASD-S数据集上实现最先进的性能。
2021-03-29 cs.CV
A Performance Evaluation of Convolutional Neural Networks for Face Anti Spoofing
Indian Institute of Information Technology（印度信息技术学院）
在当今时代，基于生物特征的访问控制由于其简单性和易于用户使用而变得越来越流行。减少了身份识别的人工操作，便于自动化处理。人脸是最重要的生物识别视觉信息之一，在不受控制的环境中，无需用户合作即可轻松捕获。为了使基于人脸的身份识别和访问控制对可能的攻击具有鲁棒性，应该优先考虑对欺骗人脸的精确检测。最近发展的基于深度学习技术的卷积神经网络（CNN）已被证明是非常有效地处理视觉信息的优秀方法之一。CNN从数据中自动学习中间层的分层特征。几种基于CNN的方法，如Inception和ResNet，在图像分类问题上表现出了出色的性能。本文对用于人脸反欺骗的CNN进行了性能评估。本研究中使用了Inception和ResNet CNN架构。结果是在基准MSU移动人脸欺骗数据库上计算的。通过考虑模型的深度、随机权重初始化与权重转移、微调与从头开始训练以及不同的学习率等不同方面进行了实验。使用这些CNN架构在不同的设置中进行人脸反欺骗，获得了良好的结果。
2019-03-27 cs.CV
Cyclically Disentangled Feature Translation for Face Anti-spoofing
Baidu Inc.（百度公司）
当前用于人脸反欺骗的领域自适应方法利用标记的源域数据和未标记的目标域数据来获得有希望的可推广的决策边界。然而，这通常是困难的，这些方法来实现一个完美的域不变的活性特征解纠缠，这可能会降低最终的分类性能域的差异，在照明，人脸类别，欺骗类型等，在这项工作中，我们解决跨场景的脸反欺骗提出了一种新的领域自适应方法称为循环解纠缠特征翻译网络（CDFTN）。具体来说，CDFTN生成伪标记样本，这些样本具有：1）源域不变的活性特征和2）目标域特定的内容特征，这些特征通过域对抗训练来分解。在源域标签的监督下，基于合成的伪标记图像训练鲁棒分类器。我们进一步扩展CDFTN的多目标领域自适应，利用更多的未标记的目标域的数据。在几个公共数据集上的大量实验表明，我们提出的方法显着优于最先进的。
2022-12-07 cs.CV
Domain Agnostic Feature Learning for Image and Video Based Face Anti-spoofing
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
如今，移动和计算设备数量的日益增长导致了对更安全的用户认证系统的需求。人脸反欺骗是生物计量用户身份验证的一种措施，特别是人脸识别，它试图防止欺骗攻击。最先进的反欺骗技术利用深度神经网络的能力，基于来自训练集图像或视频样本的线索来学习区分特征，以努力检测欺骗攻击。然而，由于问题的特殊性质，即由于不同背景、照明条件、相机分辨率、欺骗材料等因素而导致的大的可变性，这些技术通常不能推广到新的样本。在本文中，我们明确地解决了这个问题，并提出了一个类条件域识别模块，该模块与梯度反转层相结合，试图生成具有区分性的实时和欺骗特征，但同时对上述可变性因素具有鲁棒性。大量的实验分析表明，该方法的有效性，现有的基于图像和视频的反欺骗技术，无论是在数值上的改进，以及可视化的学习功能。
2020-04-13 cs.CV
A Survey On Anti-Spoofing Methods For Face Recognition with RGB Cameras of Generic Consumer Devices
La Rochelle University（拉罗谢尔大学）；Hanoi University of Science and Technology（河内科技大学）
基于人脸识别的生物识别系统的广泛部署使得人脸呈现攻击检测（人脸反欺骗）成为一个越来越重要的问题。这项调查深入调查了过去二十年来只需要通用消费设备的RGB摄像头的人脸呈现攻击检测（PAD）方法。我们提出了一个面向攻击的类型学现有的脸PAD方法，我们提供了一个审查超过50个最近的脸PAD方法及其相关问题。我们采用了全面介绍的方法，最有影响的脸PAD以下建议的类型学，并按时间顺序。通过这样做，我们描绘了面部PAD领域的主要挑战，演变和当前趋势，并对其未来的研究提供了见解。从实验的角度来看，这份调查文件提供了现有公共数据库的概述和不同PAD方法的广泛比较实验结果。
2020-10-08 cs.CV
Exposing Fine-Grained Adversarial Vulnerability of Face Anti-Spoofing Models
University of Chinese Academy of Sciences（中国科学院大学）；CASIA（中国科学院自动化研究所）；SenseTime Research（商汤科技研究院）
针对人脸反欺骗模型对抗脆弱性缺乏细粒度分析的问题，提出含多任务模块与SFA模块的分析框架，引入数据分布先验提升攻击效果，可用于筛选鲁棒组件及对抗训练以增强模型性能。
2023-05-02 cs.CV
Two-stream Convolutional Networks for Multi-frame Face Anti-spoofing
School of Signal and Information Processing, Southeast University（东南大学信号与信息处理学院）；SenseTime Group Limited（商汤科技集团有限公司）
人脸防欺骗是保障人脸识别安全的重要任务。以往的工作要么是难以捕捉有区别的和可推广的特征，要么是依赖于大多数工业产品无法获得的辅助信息。受视频分类工作的启发，我们提出了一种有效的双流模型来捕获实时和欺骗人脸之间的关键差异，该模型分别以多帧和RGB差异作为输入。采用具有两个相反融合方向的特征金字塔模块和金字塔池模块来增强特征表示。在Siw、Oulu-NPU、CASIA-MFSD和Replay-Attack数据集上对该方法进行了测试。实验结果表明，该模型在大部分数据集的协议上都取得了较好的效果，且参数少得多。
2021-08-09 cs.CV
Liveness Detection in Computer Vision: Transformer-based Self-Supervised Learning for Face Anti-Spoofing
School of Information Technology and Engineering（信息技术与工程学院）；Kazakh-British Technical University（哈萨克斯坦-英国技术大学）；School of IT（信息技术学院）
本文研究基于DINO自监督学习微调的Vision Transformer在人脸反欺骗任务中的表现，并与EfficientNet b2对比，证明Transformer架构在准确性和抗欺骗能力上更优，同时通过自建数据集验证了其在生物特征安全中的应用价值。
2024-06-19 cs.CV
CelebA-Spoof Challenge 2020 on Face Anti-Spoofing: Methods and Results
Beijing Jiaotong University（北京交通大学）；SenseTime Research（商汤科技研究院）；S-Lab, Nanyang Technological University（南洋理工大学S-Lab）；Amazon Web Services（亚马逊云服务）；ZOLOZ；Meituan（美团）；Vision Intelligence Center of Meituan（美团视觉智能中心）
随着人脸交互系统的广泛应用，人脸交互系统的安全性和可靠性成为一个重要的问题，并投入了大量的研究工作。其中，人脸反欺骗技术是一个重要的研究领域，其目标是识别人脸是真实的还是欺骗的。最近，一个大规模的人脸反欺骗数据集CelebA-Spoof已经发布，其中包括10，177个主题的625，537张图片。就数据和主题的数量而言，它是最大的人脸反欺骗数据集。本文报告了CelebA-Spoof Challenge 2020中使用CelebA-Spoof数据集的Face AntiSpoofing的方法和结果。模型评估是在线进行的隐藏测试集。共有134名参赛者报名参赛，19支队伍提交了有效作品。我们将分析排名靠前的解决方案，并对未来的工作方向进行讨论。
2021-02-26 cs.CV
Semi-Supervised learning for Face Anti-Spoofing using Apex frame
University of Oulu（奥卢大学）；Aalto University（阿尔托大学）
本文提出一种基于高斯加权生成顶点帧的半监督学习方法，通过结合标记和未标记顶点帧有效区分活体与欺骗，在多个数据库上验证了其有效性。
2023-09-10 cs.CV
Supervised Contrastive Learning for Snapshot Spectral Imaging Face Anti-Spoofing
Ant Group（蚂蚁集团）；Qing Yuan Research Institute, Shanghai Jiao Tong University（上海交通大学清源研究院）
本文提出一种再平衡对比学习策略，结合数据重采样与真实人脸重加权技术缓解数据不平衡，在HySpeFAS数据集上实现0.0000%的ACER并夺得CVPR 2024挑战赛冠军。
2024-05-29 cs.CV
Unified Face Matching and Physical-Digital Spoofing Attack Detection
Dept. of Computer Science and Engineering, University of North Texas at Denton, USA（计算机科学与工程系，北德顿大学）
本文提出基于Swin Transformer与HiLo注意力的统一模型，同时实现人脸识别和物理/数字欺骗攻击检测，并通过模拟欺骗线索的增强技术提升鲁棒性。
2025-01-16 cs.CV
Exploring Task-Solving Paradigm for Generalized Cross-Domain Face Anti-Spoofing via Reinforcement Fine-Tuning
本文提出一种基于强化微调的人脸反欺骗方法，利用多模态大语言模型探索任务求解策略，设计类一致和推理一致奖励并采用GRPO优化，有效提升了跨域泛化能力与决策可解释性，无需密集文本标注。
2025-06-27 cs.CV
Adaptive Transformers for Robust Few-shot Cross-domain Face Anti-spoofing
University of California, Merced（加州大学默塞德分校）；Google Research（谷歌研究院）；Yonsei University（延世大学）
本文提出自适应视觉 Transformer（ViT）用于鲁棒的少样本跨域人脸反欺骗，通过在 ViT 骨干网络中引入集成适配器模块和逐特征变换层来适应不同域，在多个基准数据集上取得了鲁棒且具竞争力的性能。
2023-07-28 cs.CV
CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset with Rich Annotations
Beijing Jiaotong University（北京交通大学）；SenseTime Group Limited（商汤集团有限公司）；The Chinese University of Hong Kong（香港中文大学）
随着人脸交互系统的广泛应用，人脸交互系统的安全性和可靠性成为一个重要的问题，并投入了大量的研究工作。其中，人脸反欺骗技术是一个重要的研究领域，其目标是识别人脸是真实的还是欺骗的。虽然已经取得了可喜的进展，现有的工作仍然难以处理复杂的欺骗攻击和推广到现实世界的场景。其主要原因是，目前的人脸反欺骗数据集在数量和多样性上都是有限的。为了克服这些障碍，我们贡献了一个大规模的人脸反欺骗数据集，CelebA-Spoof，具有以下吸引人的属性：1）数量：CelebA-Spoof由10，177个主题的625，537张图片组成，明显大于现有的数据集。2)多样性：欺骗图像是从8个场景（2个环境 * 4个照明条件）中捕获的，传感器超过10个。3)注释丰富度：CelebA-Spoof包含10个欺骗类型注释，以及从原始CelebA数据集继承的40个属性注释。配备CelebA-Spoof，我们仔细地在统一的多任务框架中对现有方法进行基准测试，辅助信息嵌入网络（AENet），并揭示了一些有价值的观察结果。
2020-08-01 cs.CV
Fine-Grained Annotation for Face Anti-Spoofing
Beijing Institute of Technology（北京理工大学）；Shenzhen MSU-BIT University（深圳北理莫斯科大学）
本文提出一种基于SAM和关键点提示的细粒度标注方法，生成三通道标注图并引入MCREA增强，在数据集内和跨数据集评估中优于现有最先进方法。
2023-10-12 cs.CV
Multi-Modal Face Anti-Spoofing Based on Central Difference Networks
University of Oulu（奥卢大学）；Northwestern Polytechnical University（西北工业大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技集团明略科学院）；Authenmetric（中科博宏）
人脸反欺骗（FAS）在保护人脸识别系统免受呈现攻击方面起着至关重要的作用。现有的多模态FAS方法依赖于堆叠的香草卷积，其在描述来自模态的详细内在信息方面很弱，并且当域移位（例如，交叉攻击和跨种族）。在本文中，我们将中心差分卷积网络（CDCN）\cite{yu2020searching}扩展到多模态版本，旨在捕获三种模态（RGB，深度和红外）之间的固有欺骗模式。同时，对基于单模态的CDCN进行了详细的研究。我们的方法获得了ChaLearn人脸反欺骗攻击检测论坛e@CVPR2020 \cite{liu2020cross}的“跟踪多模态”第一名以及”跟踪单模态（RGB）“第二名。我们最终提交的产品在“Track Multi-Modal”和“Track Single-Modal（RGB）"中分别获得1.02 $\pm$ 0.59\%和4.84 $\pm$ 1.79\% ACER。代码可以在{https：//github.com/ZitongYu/CDCN}上找到。
2020-04-17 cs.CV
Physics-Guided Spoof Trace Disentanglement for Generic Face Anti-Spoofing
Michigan State University（密歇根州立大学）
先前的研究表明，人脸反欺骗的关键在于微妙的图像模式，称为“欺骗痕迹”，例如，颜色失真，3D掩模边缘，莫尔图案，以及许多其他。设计一个通用的人脸反欺骗模型来估计这些欺骗痕迹，不仅可以提高欺骗检测的泛化能力，而且可以提高模型决策的可解释性。然而，这是一个具有挑战性的任务，由于欺骗类型的多样性和缺乏地面真理的欺骗痕迹。在这项工作中，我们设计了一个新的对抗性学习框架，将欺骗面部分解为欺骗痕迹和实时对应物。在物理属性的指导下，欺骗的生成被表示为添加过程和修复过程的组合。添加过程将欺骗描述为引入额外图案的欺骗材料（例如，莫尔图案），其中可以通过去除那些图案来恢复活的对应物。修复过程将欺骗描述为完全覆盖某些区域的欺骗材料，其中必须“猜测”这些区域的活动对应物。我们使用3个附加组件和1个修复组件来表示不同频段的痕迹。经过适当的几何校正后，可以利用解纠缠的欺骗轨迹合成逼真的新欺骗人脸，合成的欺骗人脸可以用于训练和提高欺骗检测的泛化能力。我们的方法在3个测试场景中表现出了卓越的欺骗检测性能：已知攻击，未知攻击和开集攻击。同时，它提供了一个视觉上令人信服的估计欺骗痕迹。源代码和预训练模型将在发布时公开提供。
2020-12-09 cs.CV
