基于颜色纹理的静态特征：【Learning deep forest with multi-scale local binary pattern features for face anti-spoofing】一文中提出使用多尺度LBP提取局部纹理特征再用CNN提取深度特征，并使用级联的随机森林将其语义化；【Robust face anti-spoofing using cnn with lbp and wld】一文中将LBP和WLD均使用CNN进行提取并进行混合。
以上二者均只使用了局部特征进行区分（多个像素被压缩至一个块内），无法提取像素级细节，模型有局限性。
LBP+WLD混合提取模型
动态特征：【Integration of image quality and motion cues for face anti-spoofing: A neural network approach】一文中使用密集光流来监测每一帧的运动，借此来挑出不和谐的运动，如：屏幕表面的镜面反射、不稳定支撑带来的均匀晃动、面具导致的人眼以外运动的消失等；【Transrppg: Remote photoplethysmography transformer for 3d mask face presentation
attack detection】一文中根据视频建立时间轴上的rPPG图，并将其可视化，远程检测心脏周期性跳动这一特征。
但作者认为头部运动和rPPG信号在重放攻击中容易被模仿。
基于各帧间密集光流计算得到的OMP
针对重放攻击会有异常反射的问题，【3d face mask presentation attack detection based on intrinsic image analysis】一文中提出对人脸发出光，使用人脸反射光得到的反射图像计算强度差直方图，使用一维卷积提取该图特征，以此检测反射变化。
第二类从DCNN提取到的特征中筛选出人工特征。
静态特征：【An original face anti-spoofing approach using partial convolutional neural network】一文中提出使用PCA主成分分析降维，去除掉DCNN提取得到特征中冗余的部分；【Chif: Convoluted histogram image features for detecting silicone mask based face presentation attack】一文中提出从浅层CNN特征中提取LBP特征，因为CNN能够提取更丰富的低级特征用于深度提取。
动态特征：【Cnn based spatio-temporal feature extraction for face anti-spoofing】和【
Joint discriminative learning of deep dynamic textures for 3d mask face anti-spoofing】中提出基于DCNN提取出来的特征，提取光流和LBP-TOP特征；
此类方法的共性问题是：不知道深层卷积特征和浅层卷积特征哪一个更适用于所选用的人工特征
第三类是使用DCNN和人工特征融合（fuse）得到的某个特征。
静态特征：【Score-level-based face anti-spoofing system using handcrafted and deep learned characteristics】一文中提出将LBP和VGG-16分别得到的预测分数进行融合。
但是二者的权重如何选择是个重要问题。
【Enhancing deep discriminative feature maps via perturbation for face presentation attack detection】一文中提出使用HOG和LBP图来扰动和调整低级卷积特征。
尽管人工特征中的先验知识会增强辨别能力，但是面对着语义退化的问题。
动态特征：【Replayed video attack detection based on motion blur analysis】将动作放大的面部视频中提取的动态模糊特征和一维CNN提取到的强度变化特征融合。
1、【Learn convolutional neural network for face anti-spoofing】中使用八层浅层CNN进行端到端的浅层特征提取。但该方法由于数据集限制，容易过拟合；
2、【Transfer learning using convolutional neural networks for face anti-spoofing】【Attention-based two-stream convolutional networks for face spoofing detection】【On the effectiveness of vision transformers for zero-shot face anti-spoofing】中调整了已经使用ImageNet预训练过的VGG16、ResNet18和Vision Transformer，比如修改其中的几层，用于解决过拟合的问题；
3、为了实现实时性，【Deep models and shortwave infrared information to detect face presentation attacks】使用了轻量级的Mobilenet-V2。
上面这些方法只注重了高级特征的提取，但是忽略了浅层特征的提取。
4、为了更好地利用多尺度的特征，【Look locally infer globally: A generalizable face anti-spoofing approach】中使用了自监督的全连接卷积层（FCN）提取特征；
5、【Face anti-spoofing: Model matters, so does data】【Learning temporal features using lstm-cnn architecture for face anti-spoofing】【Face anti-spoofing via sample learning based recurrent neural network (rnn)】【Face anti-spoofing by the enhancement of temporal motion】中结合了级联CNN+LSTM的时空特征分辨PA和真实人像。
TASM获得时间特征，SASM获得空间特征
使用改良的损失函数：
1、【On improving temporal consistency for online face liveness detection】中将二分类问题（真实、伪造）细化为多分类问题（真实、重放、打印等），这样可以把各种PA的独特性质考虑在内。
然而仍然不能满足高内聚低耦合，无法做到完全区分，因为高质量的PA和真实人脸在外部特征上差不多。
2、【Face liveness detection based on client identity using siamese network】【Detecting face presentation attacks in mobile devices with a patch-based cnn and a sensor-aware loss function】中分别使用对比损失函数（Contrastive Loss）和三元损失函数（Triplet Loss）。
1、【Searching central difference convolutional networks for face anti-spoofing】【Face anti-spoofing using patch and depth-based cnns】【Deep spatial gradient and temporal depth learning for face anti-spoofing】【Ts-fen: Probing feature selection strategy for face anti-spoofing】使用了伪深度这一特征用来预测活体样本的真实深度，即实际情况下人脸为3D的，是由凹凸起伏的，但照片为平面。
2、【Face anti-spoofing using patch and depth-based cnns】首次使用伪深度训练多尺度FCN，将整体深度图作为标签用于决策。
3、【Searching central difference convolutional networks for face anti-spoofing】使用中心差分卷积（CDC）代替了（2）中的普通卷积以提高细粒度特征的表示，得到下图的CDCN架构：
4、【Deep spatial gradient and temporal depth learning for face anti-spoofing】提出FAS-SGTD架构用于进行短期长期微动作评估（short- and long-term micro-motion estimation），借此进行动态的深度检测。
但是明显不适用于3D面具等。
5、【Deep pixel-wise binary supervision for face presentation attack detection】【Deep tree learning for zero-shot face anti-spoofing】【On disentangling spoof trace for generic face anti-spoofing】【Deep tree learning for zero-shot face anti-spoofing】中提出了二进制掩码标签：使用卷积层对pixel/patch（像素点或一簇像素）进行打分，判定该簇为真的分数，经过全连接层等得到最终输出。这种方法对攻击模式具有泛化性。
上述方法对各个patch是一视同仁的，显然不符合实际情况中人脸各特征的重要程度。
6、【A-deeppixbis: Attentional angular margin for face anti-spoofing】【Auto-fas: Searching lightweight networks for face antispoofing】中使用了注意力模块弥补上面的缺陷。
二值滤波标签只针对于全部人脸伪造有效，当仅有部分伪造时达不到预期。
7、【Basn: Enriching feature representation using bipartite auxiliary supervisions for face antispoofing】中根据人脸材质和伪造材质反照率的差异，提出了结合深度标签和反射标签的监督方法。
8、【Face anti-spoofing with human material perception】中引入了二进制掩码标签，以增加对攻击模式的泛化性。
9、【Face spoofing detection based on local ternary label supervision in fully convolutional networks】基于上述模型，仅保留人脸部分，去除背景中噪声的影响。
10、【Face de-spoofing: Anti-spoofing via noise modeling】【Bi-fpnfas: Bi-directional feature pyramid network for pixel-wise face anti-spoofing by leveraging fourier spectra】使用了傅里叶映射。
11、【Face anti-spoofing via disentangled representation learning】使用了LBP纹理图。
12、【3dpc-net: 3d point cloud network for face anti-spoofing】使用稀疏三维点云图。
辅助任务方法依赖于高分辨率的图像用于提取细节，同时人工特征并不可信。
使用生成模型的像素级监督
1、【Face de-spoofing: Anti-spoofing via noise modeling】中使用编码-解码器将检测目标拆分成用于欺骗的噪声和真实的人脸。
2、【Learning generalized spoof cues for face anti-spoofing】基于U-net架构，对生成的噪声人脸进行鉴别，重点对鉴别器进行训练。
3、【Improving cross-dataset performance of face presentation attack detection systems using face recognition datasets】中使用自动编码器，重建出仅包含真实人脸和欺骗人脸共有特征的人脸，使用原人脸和重建人脸间的残差图作为评判标准。
1、【Unsupervised domain adaptation for face anti-spoofing】中使用MMD（大平均差异）来对齐目标域和源域的特征子空间。
2、【Unsupervised adversarial domain adaptation for crossdomain face presentation attack detection】【Improving crossdatabase face presentation attack detection via adversarial domain adaptation】中结合了无监督对抗和MMD，进一步增强泛化性。当两个域无法被鉴别器区分时，则得到了更泛化的域。
但由于目标域数据无标签，上述方法效果仍不好。
3、【Unified unsupervised and semi-supervised domain adaptation network for cross-scenario face anti-spoofing】【Progressive transfer learning for face anti-spoofing】中结合了半监督学习，为模型提供了少量有标签数据，效果大幅改善。
但依赖于有标签数据。
4、【Face anti-spoofing based on multi-layer domain adaptation】中对中间层和分类层同时进行了域适应处理。
但泛化能力有限，而且过于冗杂。
5、【Domain adaptation for generalization of face presentation attack detection in mobile settengs with minimal information】提出把影响泛化性的，提取细粒度特征的卷积核通过剪枝去除掉。
6、【Face anti-spoofing with deep neural network distillation】使用蒸馏算法，从使用MMD和成对嵌入相似度进行正则化的教师模型中提取出需要的FAS模型。
尽管轻量级，但是准确性不如教师模型。
域适应方法的问题在于难以获取有标签的数据，涉及到人脸隐私问题。
域泛化
使用域感知对抗性约束
1、【Multi-adversarial discriminative deep domain generalization for face presentation attack detection】使用多判别域生成对抗泛化架构，对一个生成器使用N个判别器（对应N个判别域），以此使得生成器能够生成泛化的特征空间，并结合深度图辅助任务。
可能仍然包含不相关的特征，而且效果并不好。
2、【Cross-domain face presentation attack detection via multi-domain disentangled representation learning】中为了解决第一个问题，使用特征解耦。
3、【Single-side domain generalization for face anti-spoofing】提出学习一个高内聚低耦合的特征空间，真实与伪造距离较远，每种伪造攻击的域间隔较远，但类内聚集。
使用元学习，部分源域数据作为查询集，其他源域数据作为支持集
4、【Regularized fine-grained meta face anti-spoofing】在细粒度特征学习过程中通过寻找泛化的学习方向进行正则化。
但需要源域包含标签。
5、【Generalizable representation learning for mixture domain face anti-spoofing】迭代地把混合域拆成几个能够区分类别的集群，应用域动态调整元学习。
使用简单的通道注意力模块，聚类可信度不高。
6、【Adaptive normalized representation learning for generalizable face anti-spoofing】中使用了IN，消除域之间的差异，实现广义表达。
但是影响了分类的能力。
域泛化确实能提升在不可见域的能力，但无法确定其在可见域的性能是否会降低。
第二类是对攻击类型的泛化
Zero/Few-Shot Learning：不提供/提供少量待预测标签的样本
1、【Deep tree learning for zero-shot face anti-spoofing】使用DTN（深度树网络）获得图像的语义化特征，基于
特征相似度进行聚类。
没有任何待预测样本的情况下，可信度较低。
2、【Learning meta model for zero-and few-shot face anti-spoofing】使用无样本和少样本融合训练一个元学习模型。
直接使用少量样本的元学习可能导致对预定义PA失去判别力。
3、【Learning to learn face-pad: a lifelong learning approach】从持续喂入的数据中逐渐地学习。
上述方法在Zero-Shot时效果都比较差，特别是质量高的伪装。
异态检测：实际上是单类分类器的聚类问题，将真实样本视为正常类，不被划分到正常类的即为伪造。
1、【An anomaly detection approach to face spoofing detection: A new formulation and evaluation protocol】中评估了各种异态检测方法，提出二分类SVM可能效果更好。
2、【On effectiveness of anomaly detection approaches against unseen presentation attacks in face anti-spoofing】使用GMM（高斯混合模型）代替单分类SVM来学习真实的概率分布。
3、【Unknown presentation attack detection with face rgb images】使用基于自动编码器的异常值检测器和LBP特征提取器。
上述方法将分类器和特征提取拆解开，特征学习更困难（失去约束）。
4、【Anomaly detection based unknown face presentation attack detection】使用端到端的异常值检测，使用生成器生成负样本使鉴别器具有鉴别力。
生成的样本不能反映现实的负样本的概率分布。
5、【Deep anomaly detection for generalized face antispoofing】使用三元focal损失训练目标，并使用少量样本的后验概率来检验新的异常。
6、【Learning one class representations for face presentation attack detection using multi-channel convolutional neural networks】为GMM设计了新的损失函数：OCCL。
上述方法由于需要级联分类器，影响了端到端学习。
7、【Unseen face presentation attack detection with hypersphere loss】使用了超球面损失，异常可以直接在特征空间检测到。
达州做网站
