{"notes":[{"id":"face-antispoofing/fas-challenge","category":"face-antispoofing","legacyPath":"face-antispoofing/2404-fas-challenge","legacySlug":"2404-fas-challenge","legacyPaths":[],"title":"FAS-Challenge","subtitle":"兵器谱","author":"Z. Yuan","paperDate":"2024-04-09","publishedOn":"2025-06-02","paperTitle":"Unified Physical-Digital Attack Detection Challenge","paperUrl":"https://arxiv.org/abs/2404.06211","bibliography":{"title":"Unified Physical-Digital Attack Detection Challenge","authors":["Haocheng Yuan","Ajian Liu","Junze Zheng","Jun Wan","Jiankang Deng","Sergio Escalera","Hugo Jair Escalante","Isabelle Guyon","Zhen Lei"],"url":"https://arxiv.org/abs/2404.06211","pdfUrl":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/papers/Yuan_Unified_Physical-Digital_Attack_Detection_Challenge_CVPRW_2024_paper.pdf","codeUrl":null,"preprint":{"id":"2404.06211","submittedOn":"2024-04-09","url":"https://arxiv.org/abs/2404.06211"},"publication":{"venue":"CVPR Workshops","year":2024,"kind":"conference","url":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/Yuan_Unified_Physical-Digital_Attack_Detection_Challenge_CVPRW_2024_paper.html"},"citation":"@misc{faceantispoofingfaschallenge2024,\n  title = {{Unified Physical-Digital Attack Detection Challenge}},\n  author = {Haocheng Yuan and Ajian Liu and Junze Zheng and Jun Wan and Jiankang Deng and Sergio Escalera and Hugo Jair Escalante and Isabelle Guyon and Zhen Lei},\n  year = {2024},\n  eprint = {2404.06211},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2404.06211}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/fas-challenge.eddf4ef3db76.bib"},"thumbnail":{"src":"/content/papers/assets/464c459e92910d60b294a2bf19148fa790db0c5b203d5359f65ef70b8b183a47.jpg","width":1224,"height":664},"locale":"zh-hans","path":"/content/papers/zh-hans/face-antispoofing/fas-challenge.a030a5a2cae6.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"统一数据集uniattackdata","text":"统一数据集：UniAttackData","depth":2},{"id":"评估协议与泛化设计","text":"评估协议与泛化设计","depth":3},{"id":"赛程流程与规则设计","text":"赛程流程与规则设计","depth":3},{"id":"评估指标","text":"评估指标","depth":3},{"id":"兵器谱","text":"兵器谱","depth":2},{"id":"1-mtface","text":"1. MTFace","depth":3},{"id":"2-searecluse","text":"2. SeaRecluse","depth":3},{"id":"3-duileduile","text":"3. duileduile","depth":3},{"id":"4-bsp-idiap","text":"4. BSP-Idiap","depth":3},{"id":"5-vai-face","text":"5. VAI-Face","depth":3},{"id":"6-llw","text":"6. L&L&W","depth":3},{"id":"7-sarm","text":"7. SARM","depth":3},{"id":"8-m2-purdue","text":"8. M2-Purdue","depth":3},{"id":"9-cloud-recesses","text":"9. Cloud Recesses","depth":3},{"id":"10-image-lab","text":"10. Image Lab","depth":3},{"id":"11-bovifocr-ufpr","text":"11. BOVIFOCR-UFPR","depth":3},{"id":"12-inria-cenatav-tec","text":"12. Inria-CENATAV-Tec","depth":3},{"id":"13-vicognit","text":"13. Vicognit","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"face-antispoofing/pd-fas","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/la-softmoe","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/shield","relation":"comparison","topic":"同时识别物理与数字人脸攻击"}]},{"id":"face-antispoofing/pd-fas","category":"face-antispoofing","legacyPath":"face-antispoofing/2404-pd-fas","legacySlug":"2404-pd-fas","legacyPaths":[],"title":"PD-FAS","subtitle":"幻象的演武场","author":"Z. Yuan","paperDate":"2024-04-12","publishedOn":"2025-05-31","paperTitle":"Joint Physical-Digital Facial Attack Detection Via Simulating Spoofing Clues","paperUrl":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.html","bibliography":{"title":"Joint Physical-Digital Facial Attack Detection Via Simulating Spoofing Clues","authors":["Xianhua He","Dashuang Liang","Song Yang","Zhanlong Hao","Hui Ma","Binjie Mao","Xi Li","Yao Wang","Pengfei Yan","Ajian Liu"],"url":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.html","pdfUrl":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/papers/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.pdf","codeUrl":"https://github.com/Xianhua-He/cvpr2024-face-anti-spoofing-challenge","preprint":{"id":"2404.08450","submittedOn":"2024-04-12","url":"https://arxiv.org/abs/2404.08450"},"publication":{"venue":"CVPR Workshops","year":2024,"kind":"workshop","url":"https://openaccess.thecvf.com/content/CVPR2024W/FAS2024/html/He_Joint_Physical-Digital_Facial_Attack_Detection_Via_Simulating_Spoofing_Clues_CVPRW_2024_paper.html"},"citation":"@misc{faceantispoofingpdfas2024,\n  title = {{Joint Physical-Digital Facial Attack Detection Via Simulating Spoofing Clues}},\n  author = {Xianhua He and Dashuang Liang and Song Yang and Zhanlong Hao and Hui Ma and Binjie Mao and Xi Li and Yao Wang and Pengfei Yan and Ajian Liu},\n  year = {2024},\n  eprint = {2404.08450},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2404.08450}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/pd-fas.5e99845a7b35.bib"},"thumbnail":{"src":"/content/papers/assets/8dc381495a96275b801a46e04453cd17b3f9e57bd88fb93f6c757d74d930300f.jpg","width":1224,"height":516},"locale":"zh-hans","path":"/content/papers/zh-hans/face-antispoofing/pd-fas.76f4a83a5659.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"simulated-physical-spoofing-clues","text":"Simulated Physical Spoofing Clues","depth":3},{"id":"simulated-digital-spoofing-clues","text":"Simulated Digital Spoofing Clues","depth":3},{"id":"数据集设置uniattackdata","text":"数据集设置：UniAttackData","depth":3},{"id":"评估指标apcer--bpcer--acer","text":"评估指标：APCER / BPCER / ACER","depth":3},{"id":"实验设置与训练细节","text":"实验设置与训练细节","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"sota-方法比较","text":"SOTA 方法比较","depth":3},{"id":"三种协议场景","text":"三种协议场景","depth":3},{"id":"模块贡献拆解","text":"模块贡献拆解","depth":3},{"id":"主干网络测试","text":"主干网络测试","depth":3},{"id":"可视化分析","text":"可视化分析","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"face-antispoofing/fas-challenge","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/la-softmoe","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/shield","relation":"comparison","topic":"同时识别物理与数字人脸攻击"}]},{"id":"face-antispoofing/la-softmoe","category":"face-antispoofing","legacyPath":"face-antispoofing/2408-la-softmoe","legacySlug":"2408-la-softmoe","legacyPaths":[],"title":"La-SoftMoE","subtitle":"稀疏的裂缝","author":"Z. Yuan","paperDate":"2024-08-23","publishedOn":"2025-06-05","paperTitle":"La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection","paperUrl":"https://ieeexplore.ieee.org/document/10744523/","bibliography":{"title":"La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection","authors":["Hang Zou","Chenxi Du","Hui Zhang","Yuan Zhang","Ajian Liu","Jun Wan","Zhen Lei"],"url":"https://ieeexplore.ieee.org/document/10744523/","pdfUrl":"https://arxiv.org/pdf/2408.12793v1","codeUrl":null,"preprint":{"id":"2408.12793","submittedOn":"2024-08-23","url":"https://arxiv.org/abs/2408.12793"},"publication":{"venue":"IJCB","year":2024,"kind":"conference","url":"https://ieeexplore.ieee.org/document/10744523/"},"citation":"@misc{faceantispoofinglasoftmoe2024,\n  title = {{La-SoftMoE CLIP for Unified Physical-Digital Face Attack Detection}},\n  author = {Hang Zou and Chenxi Du and Hui Zhang and Yuan Zhang and Ajian Liu and Jun Wan and Zhen Lei},\n  year = {2024},\n  eprint = {2408.12793},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2408.12793}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/la-softmoe.b7bb83a867c2.bib"},"thumbnail":{"src":"/content/papers/assets/fa15672037bb88bafa6c667327861cab99ddb388d3446d1d992f653f052f3d3c.jpg","width":1224,"height":572},"locale":"zh-hans","path":"/content/papers/zh-hans/face-antispoofing/la-softmoe.08e6fe89ba6a.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"softmoe-模块设计","text":"SoftMoE 模块设计","depth":3},{"id":"la-softmoe","text":"La-SoftMoE","depth":3},{"id":"实现细节","text":"实现细节","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"实验结果分析uniattackdata","text":"实验结果分析（UniAttackData）","depth":3},{"id":"混合数据集测试jfsfdb","text":"混合数据集测试（JFSFDB）","depth":3},{"id":"prompt-robustness-测试","text":"Prompt Robustness 测试","depth":3},{"id":"消融实验","text":"消融实验","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"face-antispoofing/fas-challenge","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/pd-fas","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/shield","relation":"comparison","topic":"同时识别物理与数字人脸攻击"}]},{"id":"face-antispoofing/shield","category":"face-antispoofing","legacyPath":"face-antispoofing/2402-shield","legacySlug":"2402-shield","legacyPaths":[],"title":"SHIELD","subtitle":"告诉我，为什么？","author":"Z. Yuan","paperDate":"2024-02-06","publishedOn":"2025-04-14","paperTitle":"SHIELD: An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models","paperUrl":"https://arxiv.org/abs/2402.04178","bibliography":{"title":"SHIELD: An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models","authors":["Yichen Shi","Yuhao Gao","Yingxin Lai","Hongyang Wang","Jun Feng","Lei He","Jun Wan","Changsheng Chen","Zitong Yu","Xiaochun Cao"],"url":"https://arxiv.org/abs/2402.04178","pdfUrl":"https://arxiv.org/pdf/2402.04178","codeUrl":"https://github.com/laiyingxin2/SHIELD","preprint":{"id":"2402.04178","submittedOn":"2024-02-06","url":"https://arxiv.org/abs/2402.04178"},"publication":{"venue":"Visual Intelligence","year":2025,"kind":"journal","url":"https://link.springer.com/article/10.1007/s44267-025-00079-w"},"citation":"@misc{faceantispoofingshield2024,\n  title = {{SHIELD: An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models}},\n  author = {Yichen Shi and Yuhao Gao and Yingxin Lai and Hongyang Wang and Jun Feng and Lei He and Jun Wan and Changsheng Chen and Zitong Yu and Xiaochun Cao},\n  year = {2024},\n  eprint = {2402.04178},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2402.04178}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/shield.ebbdc10267ba.bib"},"thumbnail":{"src":"/content/papers/assets/5d3709702bad757e66d898b25d1a408af7c67dc9e6aa265f6bd2f7578cd62395.jpg","width":1224,"height":884},"locale":"zh-hans","path":"/content/papers/zh-hans/face-antispoofing/shield.07e2306b5aa1.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"讨论","text":"讨论","depth":2},{"id":"fas-测试结果","text":"FAS 测试结果","depth":3},{"id":"ffd-测试结果","text":"FFD 测试结果","depth":3},{"id":"unified-task-测试结果","text":"Unified Task 测试结果","depth":2},{"id":"ma-cot-实验结果","text":"MA-COT 实验结果","depth":2},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"face-antispoofing/fas-challenge","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/pd-fas","relation":"comparison","topic":"同时识别物理与数字人脸攻击"},{"id":"face-antispoofing/la-softmoe","relation":"comparison","topic":"同时识别物理与数字人脸攻击"}]}],"text":"这是 CVPR2024 举办的 FAS 比赛，全名为：\n\n[**5th Chalearn Face Anti-spoofing Workshop and Challenge@CVPR2024**](https://sites.google.com/view/face-anti-spoofing-challenge/welcome/challengecvpr2024)\n\n非常热闹，在 FAS 领域的工作者都可以来逛逛。\n\n## 定义问题\n\nFace Anti-Spoofing（FAS）的任务本质，是从图像中挖掘出「活体」的语法。\n\n然而在现实中，攻击手段却以两种形式发展成平行的技术分支：\n\n- **物理攻击（Physical Attacks）**：模仿者以实体介质展示脸部，如纸张、屏幕或矽胶面具。其干扰多发生于传感器层，与真实世界有直接交互。\n- **数字攻击（Digital Attacks）**：如 Deepfake、face swapping 或对抗样本，则从数据生成源头或特征层进行操控，画面逼真但本质虚构。\n\n传统方法多半针对其中一类进行建模，于是模型表现便局限于其训练分布，无法广泛迁移。\n\n虽然物理与数字攻击在最终分类中皆属于「fake」，但其图像统计特征与变异方向存在高度异质性，使得伪类内的特征距离远大于预期，导致泛化瓶颈。\n\n目前之所以难以建构「统一模型」，核心原因有二：\n\n1. **缺乏大规模统一数据集**：过往常以单独搜集的 PA 与 DA 数据集拼接而成，未涵盖同一 ID 的完整攻击样态。\n2. **欠缺公共评估基准**：物理与数字攻击使用不同的指标与协议，导致无法对跨领域演算法进行一致比较。\n\n这正是 **Unified Physical-Digital Attack Detection Challenge** 发起的背景。通过新数据集、标准协议与公开竞赛，尝试定义一个新的问题设定：\n\n> **能否以一套模型，同时应对两种异质假象，并在未知领域中仍保有鉴别能力？**\n\n## 统一数据集：UniAttackData\n\n\n\n![uniattackdata](/content/papers/assets/abaaaf34c640c745a0165cb4fde1efa2787959e96a4d4e845b7223c293abbaea.jpg)\n\n\n\n**UniAttackData** 是论文提出时规模最大的公开统一物理与数字攻击数据集，涵盖了 1,800 位受试者、共计 28,706 段脸部视频，构成以下三类样本；上图列的是挑战赛的各协议数据切分：\n\n- **Live**：1,800 段真实图像\n- **Physical Attacks（PA）**：5,400 段，来自列印与屏幕重播攻击\n- **Digital Attacks（DA）**：21,506 段，包括 Deepfake、Face Swap、对抗样本等\n\n数据集的特点在于：**每位 ID 均涵盖完整的攻击类型**，借此减少身份与攻击类型彼此混淆的风险；各协议的真伪样本数仍不平衡。\n\n挑战赛提供的数据先从视频裁取脸部，并为每段视频选取一帧；档名重新编号，以隐去原始名称可能透露的攻击类型等信息。\n\n### 评估协议与泛化设计\n\n本次挑战包含两大协议（Protocol），模拟不同真实世界场景下的模型部署需求：\n\n- **Protocol 1：Unified Attack Detection**\n  模拟模型需同时识别 PA 与 DA 的场景，测试模型对于混合样态的整合与分类能力。\n\n- **Protocol 2：Generalization to Unseen Attacks**\n  针对「未曾见过的攻击类型」进行 zero-shot 测试，进一步分为：\n\n  - **Protocol 2.1：Unseen Physical Attacks**，训练集没有 PA，测试集为 PA\n  - **Protocol 2.2：Unseen Digital Attacks**，训练集没有 DA，测试集为 DA\n\n此协议将物理或数字攻击留到测试阶段，检查模型对未见攻击大类的表现。\n\n---\n\n### 赛程流程与规则设计\n\n整体竞赛流程分为两个阶段，皆于 CodaLab 平台进行：\n\n- **Development Phase（2/1–2/22）**\n  提供已标记训练数据与未标记开发集，开放反覆提交预测结果至排行榜，帮助选手逐步调整模型。\n\n- **Final Phase（2/23–3/3）**\n  公开开发集标签、释出未标记测试集，参赛队伍须在无法接触真实测试标签的情况下，提交最终模型预测。 最后一次提交视为正式成绩，并须公开程式码与技术说明表（fact sheet）方具备获奖资格。\n\n---\n\n### 评估指标\n\n挑战采用 ISO/IEC 30107-3 国际标准指标，以量化模型对假象的识别能力，具体包括：\n\n- **APCER**（Attack Presentation Classification Error Rate）\n- **BPCER**（Bona Fide Presentation Classification Error Rate）\n- **ACER**（Average Classification Error Rate）\n- **AUC**（Area Under the ROC Curve）\n\n主排序以 ACER 为准，AUC 作为辅助指标。为维持评估一致性，最终 ACER 由开发集上的 Equal Error Rate（EER）标定阈值计算得出。\n\n---\n\n## 兵器谱\n\n\n\n![participants](/content/papers/assets/bc0330001d4cbd12946f685a951558a36380cee0322993e8b4d39ed656ccf0cd.jpg)\n\n\n\n接着是前 13 名参赛队伍的技术概览，我们依序来看看他们到底做了些什么。\n\n### 1. MTFace\n\n\n\n![mtface](/content/papers/assets/464c459e92910d60b294a2bf19148fa790db0c5b203d5359f65ef70b8b183a47.jpg)\n\n\n\n在这场横跨数字与实体的攻击挑战中，**MTFace** 团队提出了最终夺冠的解法。\n\nMTFace 提出的架构可简称为：\n\n> **Optimized Data Augmentation for Comprehensive Face Attack Detection Across Physical and Digital Domains**\n\n听来冗长，却切中问题本质：如何让模型在训练时看过「足够多样、足够逼真」的假样貌。\n\nMTFace 架构的核心，在于数据增强与损失平衡的共同设计。\n\n其数据预处理步骤如下：\n\n1. **人脸检测与裁剪**：对所有图像进行人脸检测，并额外扩张 20 pixels，保留周边特征。\n2. **脸部遮罩提取**：将 live data 的脸部遮罩预先提取，供后续增强使用。\n\n接着，针对不同 Protocol 所需的泛化能力，设计出两种「语义对应的增强策略」：\n\n- **Moire 拟真增强**（用于 Protocol 1 与 2.1）\n  屏幕重播常造成摩尔纹（moire pattern），这种纹理成为识别攻击的重要视觉线索。\n  MTFace 仿造这类干扰，将摩尔纹注入原始图像，使模型能预习此一物理现象的潜在影响。\n\n- **自体融合增强**（用于 Protocol 1 与 2.2）\n  受到过去文献启发，MTFace 使用 live data 为基底，注入数字攻击的表面特征，\n  通过颜色扭曲、空间变形与遮罩折叠等方式，创造出「数字假象的混种样本」，提升模型对 Deepfake 类攻击的分辨力。\n\n不同协议下，真实样本与攻击样本的比例差异极大。\n\n若无调整，模型将偏向样本数量较多的一方，失去辨别稀有样态的能力。\n\n为此，MTFace 在每条协议中调整 cross-entropy 的权重配置：\n\n- **Protocol 1：live : fake = 1 : 1**\n  保持损失平衡，确保学习不偏不倚。\n- **Protocol 2.1（Unseen PA）：live : fake = 5 : 1**\n  提高真脸样本的损失权重，让模型在测试未见的物理攻击前更充分学习真脸特征。\n- **Protocol 2.2（Unseen DA）：live : fake = 2 : 1**\n  调整真脸与假脸样本对损失的影响，以因应这条协议的样本比例。\n\n这样的调整配合数据增强，是 MTFace 在三条协议中采用的训练策略；论文没有单独列出每一项损失权重的消融结果。\n\nMTFace 最终以 **ResNet-50 作为骨干网络**，并载入 **ImageNet 预训练权重**。\n\n没有 ViT，也没有自订大模型，仅以策略与数据，斩获本次比赛的第一名。\n\n### 2. SeaRecluse\n\n**SeaRecluse** 选择在数据边界与比例配置中筑起防线。\n\n他们的方案名为：\n\n> **Cross-domain Face Anti-spoofing in Unified Physical-Digital Attack Dataset**\n\n这个架构不强调极端变形，也不假借风格转换，而是从**数据使用比例与裁剪策略**出发，试图以更接近真实部署条件的方式，优化模型于跨域任务下的稳定性与泛化。\n\nSeaRecluse 使用 **SCRFD** 对训练集中的 uncropped 图像进行人脸检测与裁剪。\n\n但与其他队伍不同的是，他们对裁剪版本进行了松裁（loose crop）与紧裁（tight crop）的区分与补充，作为数据增强的方式之一。\n\n此外，针对不同任务协议，**数据切分比例与增强策略也完全不同**：\n\n- **Protocol 1：不进行额外增强**\n  模拟最基本的条件下识别效能，使用 80% 训练数据与验证集混合训练。\n\n- **Protocol 2.1（Unseen PA）**\n  针对 live data 实施 downsample 与边缘补齐，将 real face 数据增强为原始的 **3 倍**，平衡真假样本比例。\n\n- **Protocol 2.2（Unseen DA）**\n  为强化模型对假样本的感知能力，对 fake face 实施 **4x 及 8x** 下采样，总计增强为原始的 **7 倍**数量。\n\n此外，团队也对部分长宽比异常的图像进行修正，恢复为合理的原始比例，避免模型在视觉失真下学得错误偏好。\n\n在图像增强层面，所有任务皆实施标准操作（如翻转、随机裁剪等），而 P2.1 额外采用了 **Gaussian Blur**，以模拟摄影模糊与远距视角的模糊失焦状态。\n\n训练主干网络为 **ConvNeXt V2**；团队表示选择时考量了挑战要求与本地训练资源。\n\n此外，为强化泛化能力，团队采用两项训练技巧：\n\n- **Image CutMix**：混合两张图像与标签，增强视觉边界与空间变异的适应性。\n- **Label Smoothing**：将 hard label 转为 soft label，降低过度拟合的风险。\n\n团队以这些技巧增强训练；论文没有分别量测 CutMix 或 Label Smoothing 对数据不均的贡献。\n\nSeaRecluse 采取的不是大刀阔斧，而是像筑墙一般，他们从每个任务的比例细节与裁剪尺度出发，将假象围堵于视野之内。\n\n这是一种耐心处理数据切分与裁剪尺度的解法。\n\n### 3. duileduile\n\n\n\n![duileduile](/content/papers/assets/1e6fea2843b31ed1b866cdf9b4e6a123bdced8199f72e1e7095ed9ec70310bc6.jpg)\n\n\n\n**duileduile** 团队设计了一套模块化的双阶段学习流程，以抽象视觉表征的方式，对抗真实与假象的流动边界。其架构核心为：\n\n> **Swin Transformer + Masked Image Modeling + 物理与数字攻击对应增强**\n\n模型骨干选用 **Swin-Large Transformer**，提取出 1536 维的特征向量，具备良好的区域感知与层次抽象能力。\n\n在 **预训练阶段**，duileduile 采用 **simMIM（Simple Masked Image Modeling）** 策略，\n将图像切分为非重叠区块，随机遮挡其中部分，迫使模型学会「由残缺重建整体」。\n\n这种自监督预训练使用未标注的训练集与开发集图像，目标是让模型从被遮挡的输入学习表征；论文未单独量测它对遮挡攻击或 Protocol 2 的增益。\n\n完成视觉语法的训练之后，进入 **微调阶段（Fine-tuning）**。此时的策略不再是大量数据堆叠，而是针对不同攻击类型进行精准的样态拟合，分别设计对应的增强流程：\n\n- **Gaussian Noise**：模拟数字攻击带来的像素级杂讯与压缩痕迹\n- **ColorJitter + Moire Pattern + Gamma Correction**：重建物理攻击的光影变异与显示偏差\n\n这些增强不强加于所有数据，而是根据不同训练样本与 Protocol 任务进行概率性施加，让模型在每一次学习中都暴露于不同的干扰与假象之中。\n\n相较于前两名团队聚焦于数据增强与比例配置，duileduile 的两阶段主干与训练设定在各协议相同；这是竞赛中的一种实现选择。\n\n### 4. BSP-Idiap\n\n\n\n![bsp-idiap](/content/papers/assets/77e9cb3000506ae74c0813329c67a40ac0673827fbd80f7b08fc5d66ac23ef9e.jpg)\n\n\n\n**BSP-Idiap** 团队则选择走一条不太一样的路：**回到信号本身的纹理节奏**，将攻击的信号从频率维度还原出来。\n\n这套方法名为： **DBPixBiS（Dual-Branch Pixel-wise Binary Supervision）**\n\n延续其团队前作的设计理念，并在原有基础上扩展为双分支架构。\n\n**DBPixBiS** 采用一个双分支的神经网络架构：\n\n1. **RGB 分支**：使用 **Central Difference Convolution（CDC）** 替代传统卷积，强调局部纹理变化，强化模型对异常边缘与微变动区域的感知。\n2. **Fourier 分支**：对输入图像进行傅里叶转换，送入另一套特征路径，捕捉频域上的伪装纹理，例如重复性、干扰性、压缩残留等信号。\n\n这样的设计让模型同时具备对「画面上的像」与「信号内的假」的双重感知能力。\n\n为了减缓过拟合与视觉对抗样本的隐蔽性，BSP-Idiap 采用了极具针对性的训练设计：\n\n- **Pixel-wise Binary Supervision**：针对每个像素在 feature map 上进行二分类监督，而非整张图像，提升区域伪装的识别能力。\n- **Attentional Angular Margin Loss**：在训练时加入角度边界惩罚项（Angular Margin），引导模型更明确地将 live 与 spoof 特征向量推离，强化分类边界的区隔稳定性。\n\n在测试阶段，模型会对 feature map 进行全图平均，取其 **mean activation** 作为最终的 spoof 概率分数。\n\n### 5. VAI-Face\n\n\n\n![vaiface](/content/papers/assets/6dd8804bb526c7bffb78a4d3340baf864ca009bc24d0ef8086e3ea8452094380.jpg)\n\n\n\n在这场统一识别的战局中，有些队伍构建机制、有些队伍还原语法，而 **VAI-Face** 团队选择了第三条路：**制造异常，强化识别。**\n\n他们的方案核心建构于 **Dinov2 Vision Transformer（ViT-Large）** 架构之上，目标就是**让变形的脸，在视觉注意力下显出破绽。**\n\nVAI-Face 在数据增强上的最大策略特点，在于**刻意破坏 live 与 fake 的对称性处理**。\n\n他们将两者视为语义异质的来源数据，因而采取截然不同的增强管道：\n\n- **Live 图像**：只进行 **RandomResizedCrop** 与 **HorizontalFlip**，保持其图像的自然分布与几何稳定性。\n- **Fake 图像**：则施加大量非对称扰动，包括模糊（Blur）、畸变（Distortion）、客制遮挡（Custom Cutout）等，模拟各种假象中常见的非自然痕迹与结构性破碎。\n\n这套策略目标在于让 ViT 模型学会识别异常的几何与纹理。\n\n除了数据策略，VAI-Face 在训练配置上也展现出极高的工程敏锐度：\n\n- **OneCycleLR**：精细控制学习率上升与下降的节奏，提高模型收敛效率与泛化能力。\n- **Label Smoothing**：避免模型对特定样态过度自信，缓解过拟合。\n- **Mixup Augmentation**：融合两张图像与标签，提升模型在样本空间边界的泛化稳定性。\n- **Optimizer**：选用 ADAN，这是一种结合 adaptive gradient 与动量的新型优化器，在这场挑战中提供更稳定的梯度动能。\n\nViT-Large 本身具备出色的区域关联建模能力，在处理 spoof 图像时，能以全域注意力机制捕捉出微细不协调处，进一步放大假象中难以掩饰的扭曲。此外，他们也没有加入额外 branch 或生成模块，而是选择最大化主干视觉模型的识别潜力，以微调的数据扰动与学习曲线，在简单架构中榨出泛化的可能性。\n\n### 6. L&L&W\n\n当大多数模型选择整体输入、全图判别，**L&L&W** 团队反其道而行，他们选择从局部出发，从细节出手：将一张脸切成无数碎片，从中拼凑真伪的蛛丝马迹。\n\n他们的核心策略围绕在：\n\n> **Patch-based Feature Learning + 频率导向采样 + 局部注意力导引**\n\n整个流程由图像分块（patch extraction）开始，将每张输入图像拆解为多个小区域，再进行独立特征学习。在此基础上，他们导入名为 **Centre Difference Attention（CDA）** 的机制。\n\nCDA 是一种强化细节纹理差异的注意力方法，专注于「原本应该一致却出现微变异」的区块，例如：边缘晕影、错位重组、低频融合失败等。\n\n除了空间细节，L&L&W 也不放过频率信号的潜藏线索。他们设计了名为 **High-Frequency Wavelet Sampler（HFWS）** 的模块，聚焦于图像中的高频波段，用以识别伪造过程中留下的压缩残迹、融合失真与非自然纹理跳变。\n\n这种特征策略，将局部注意力与高频成分共同纳入识别流程；论文未分别量测两个模块各自带来的改善。\n\n在验证和测试阶段，团队对每张图像产出 **36 个裁剪版本**，将其预测分数平均，作为最终分数。\n\n### 7. SARM\n\n**SARM** 团队的设计不在于复杂结构或数据变形，而是一套反覆「训练训练者」的过程。\n\n他们的方法名为：\n\n> **Multi-Attention Training（MAT） + Label Flip Augmentation**\n\n这是一种「阶段式视觉调整方法」，简单来说，先训练一个理解任务的模型，再由此模型细致调整，应用到不同的攻击类型上。\n\nSARM 将整体流程拆为两阶段：\n\n1. **阶段一**：针对每个协议（P1, P2.1, P2.2）训练专属的预训检测器，使用 **Supervised Contrastive Learning**，让 live 与 fake 之间的表征尽可能拉开语义距离。\n\n2. **阶段二**：以第一阶段产出的表征作为初始权重，进行细部微调，完成真正的防伪模型建构。\n\n这样的设计强化了每条任务的「预期对象理解」，降低直接 end-to-end 训练可能出现的误导现象，\n尤其对于跨域泛化任务（P2.1 与 P2.2）特别有效。\n\n在数据增强方面，SARM 的创新重点在于：**将真脸，转为假脸，并标记为 fake。**\n\n这并非一般的合成假脸，而是一种使用 **OpenCV 风格转换（style transformation）** 进行的弱假象模拟。\n\n针对 P2.1 和 P2.2 的训练数据，他们使用基于 OpenCV 的图像风格转换；论文未列出色调、光照、gamma 或滤镜的逐项设定。\n\n然后将这些处理过的 live 图像标记为 **spoof**，形成 **label-flip augmentation** 训练样本。作者认为这有助于减少训练与测试数据的差距，但没有把「弱攻击样本」定义为独立攻击类别。\n\n优化器选用 **Adam**，搭配交叉熵与 supervised contrastive loss 的组合；论文指出 P1 使用一般训练策略，P2.1 / P2.2 额外采用 label-flip 增强，未呈现各阶段的收敛曲线。\n\n这套方法主要是靠「任务意图的前置理解」来驱动模型收敛。\n\n### 8. M2-Purdue\n\n\n\n![m2-purdue](/content/papers/assets/f566fec61190796a2eb3bc67c9ef234c29c92d63125d30cf963c9ea6e8728921.jpg)\n\n\n\n**M2-Purdue** 团队带来不一样策略。\n\n他们放弃设计复杂架构与强化数据增强，而选择用 CLIP 的语义表征，搭配「极值风险导向」的损失设计，其方法名为：\n\n> **Robust Face Attack Detection with CLIP + MLP + CVAR–AUC Loss Fusion**\n\n流程从标准图像前处理开始，将所有输入调整为 **224×224**，确保尺度一致性。\n\n接着使用 **CLIP 的 image encoder** 抽取语义特征，将视觉信息转化为深层嵌入表示。\n\n这里的关键不在于创造新特征，而在于「借用已经看过大量数据的模型」，让 CLIP 输出视觉特征。后续接上一个三层 **MLP 分类器**，担任任务特化的决策模块。论文说明会微调 MLP，但未以实验确定它是唯一更新的部分，也未测量移动端部署成本。\n\n最具特色的是其双损失设计，整合两种监督信号：\n\n- **CVAR（Conditional Value at Risk）损失**：常见于金融风控，关注 tail risk，也就是最容易误判、风险最大的样本区段。\n- **AUC（Area Under Curve）损失**：强调整体判别能力，优化模型对于「排序正确性」的整体感知。\n\n整体损失定义如下：\n\n$$\n\\mathcal{L} = \\lambda \\cdot \\mathcal{L}_{\\mathrm{CVAR}} + (1 - \\lambda) \\cdot \\mathcal{L}_{\\mathrm{AUC}}\n$$\n\n其中参数 $\\lambda$ 可调节模型在「极值风险感知」与「整体泛化能力」间的权衡。\n\n这种设计背后的核心逻辑是：不求全面正确，但求在「最容易错的地方」，错得更少。\n\n整体训练部分，论文正文写使用 **Adam**，但上方架构图标示 **SAM optimizer**；两处信息不一致，无法单凭这篇挑战报告确定实际设定。这套设计以 CLIP 特征为基础、以尾端风险与排序损失共同训练；论文没有提供独立的收敛稳定性或部署测试。\n\n### 9. Cloud Recesses\n\n\n\n![cloud-recesses](/content/papers/assets/5e9de9ea310c03c41102d3181a9b1dc95eeedf539f7efca3fd3021f215f5bf4a.jpg)\n\n\n\n若说防伪识别的本质是从脸上寻找破绽，那么 **Cloud Recesses** 团队的策略，则给了一个很有创意的方法：**遮住那些最容易辨认的地方，逼迫模型从更隐微的信号中理解真假。**\n\n他们的方法名为：\n\n> **Random Masking for Face Anti-Spoofing Detection**\n\n这是一种数据层级的对抗训练方式，也就是直接把图像中的关键部位遮挡，**让模型在看不清楚眼睛与嘴巴时，也得学会辨认活体。**\n\n整体流程可拆解为三步骤：\n\n1. **人脸检测**：使用 **RetinaFace** 将人脸从原图中裁剪，统一为 256×256 尺寸。\n2. **关键点标注**：以 **dlib** 检测 68 个脸部关键点，精准描绘眼睛、鼻尖、嘴唇等区域。\n3. **随机遮挡**：于每张训练样本上，**随机遮挡三个到五个关键区域**，使模型失去依赖五官识别的捷径。\n\n这样的设计刻意遮住眼睛、鼻子和嘴巴等局部区域，减少模型依赖特定五官线索；论文没有验证模型转而学到哪一种纹理，也没有使用视频动态模糊作为此方法的特征。\n\n模型主干选用 **EfficientNet**，平衡精度与效能，适用于遮挡图像下的轻量级识别。\n\n整体训练以随机遮挡作为数据增强，让模型在局部信息缺失时仍进行真伪分类；论文没有单独报告遮挡策略的消融结果。\n\nCloud Recesses 的方案没有额外模块、没有双分支、没有融合特征，他们就只是拆掉那张脸的关键视觉线索，看看模型能否在黑暗中辨认真假。\n\n### 10. Image Lab\n\n\n\n![image_lab](/content/papers/assets/c3a5a413f16232aa72c2683955c30b8cee46ecc2b2a0782e0ef2e4fb0990788c.jpg)\n\n\n\n在防伪检测的任务中，我们习惯让模型「看清楚」，但 **Image Lab** 团队选择让模型「看很多次」。他们提出的架构名为：\n\n> **Multiattention-Net：由多层注意力组成的深层视觉识别网络**\n\n这是一种将多阶段空间信息与多重注意力整合的架构设计，系统化地从图像的不同维度汲取可能的异常征兆。\n\n整体网络从一层 **7×7 卷积层** 开始，负责捕捉局部区域内的细节纹理，接着串接十层 **变形残差块（modified squeezed residual blocks）**，在残差块组之间使用 **max pooling** 下采样，让输入信息逐步被抽象为越来越宏观的空间语义。\n\n在这过程中，模型从不同残差块组提取空间信息，并在后四组各接一个 **双重注意力模块（Dual Attention Block）**，强化关键部位的识别权重。这让模型能同时从细节与结构中发掘伪装痕迹。\n\n最后各注意力分支通过 **Global Average Pooling（GAP）** 缩减维度，并将分支输出拼接，进入全连接层进行分类。\n\n在训练方面，Image Lab 采用了 **Binary Focal Cross Entropy Loss**，这种损失函数特别针对**少数类别**与**高置信错误**进行额外惩罚，具体形式如下：\n\n$$\n\\mathcal{L}(y, \\hat{y}) = -\\alpha \\cdot (1 - \\hat{y})^\\gamma \\cdot \\log(\\hat{y}) - (1 - \\alpha) \\cdot \\hat{y}^\\gamma \\cdot \\log(1 - \\hat{y})\n$$\n\n其中：\n\n- $\\hat{y}$ 是模型预测概率，$y$ 是真实标签；\n- $\\alpha = 0.25$（启用类别平衡时）；\n- $\\gamma = 3$（强化错误样本惩罚）。\n\n原论文的式（2）写出了两个概率项，但没有依真实标签 $y$ 切换正负类，因此无法只凭这个式子还原实际使用的 binary focal loss。表中 ImageLab 的 ACER 为 34.9434%，论文也没有提供单独的收敛效率量测。\n\n### 11. BOVIFOCR-UFPR\n\n\n\n![bovifocr-ufpr](/content/papers/assets/f239fb6a410a1c33d1884c1204a2495ed2de229c88eb21b8da55748f33adac4d.jpg)\n\n\n\n在这场专注于「识别假象」的赛局中，**BOVIFOCR-UFPR** 是少数选择将视角移出二维平面的队伍。他们不再仅仅分析图像的色彩与纹理，而是试图**重构整张脸的三维真实性**，借此辨认那些伪装无法还原的空间错误。\n\n其方案核心为：\n\n> **3D Reconstruction + ArcFace + Chamfer Loss**\n\n整体架构灵感来自 **3DPC-Net**，以 **Encoder-Decoder 架构**为主体：\n\n1. **预处理阶段**：检测、对齐并裁剪脸部；另以既有重建方法取得训练用的 3D 点云参考数据。\n2. **Encoder**：采用 **ResNet-50** 作为 backbone，提取高层特征。\n3. **Decoder**：将特征转换为对应的 **3D 点云表示（Point Cloud）**，\n   模拟出脸部在空间中的几何形态，作为后续判别依据。\n\n通过这样的结构，模型学到的就不只是「像不像」，而是「合不合理」，是否能在空间座标中站得住脚。\n\n训练阶段中，团队同时结合两种特征导向的损失函数：\n\n- **ArcFace Loss**：为分类特征加入角度间隔约束；这里的图示输出为真伪分类。\n- **Chamfer Distance Loss**：度量预测点云与预先重建的 3D 参考点云间的空间距离，用以约束几何结构逼近程度。\n\n模型不仅要学会分类 live/fake，还必须产出与真实结构一致的 3D 几何形状。\n\n在论文介绍的 13 队中，这队使用 3D 点云重建来辅助真伪分类；其最终 ACER 为 35.3620%。\n\n这是一种跨维度的识别方式，不靠像素细节，而靠几何合理性建立防线。\n\n### 12. Inria-CENATAV-Tec\n\n\n\n![inria-cenatav-tec](/content/papers/assets/921acf3fbe5648b16710095327613c539e075fa75647aa0d1059f8b7f43dc86d.jpg)\n\n\n\n**Inria-CENATAV-Tec** 团队选择回到一个经典问题：\n\n> **能否在计算资源受限的场景下，依然达成稳定的防伪效果？**\n\n他们的答案是：**MobileNetV3-spoof with hyperparameter tuning**\n\n这是一场在模型复杂度与识别精度之间进行的动态平衡实验。\n\n流程开端即体现其系统性与保守策略：\n\n1. **脸部标定**：使用 **ResNet-50** 执行 landmark 检测。\n2. **对齐与退阶处理**：若可检测出关键点，则使用 **InsightFace template** 进行脸部对齐；若无，则保留原图，仅进行大小重设。\n\n这样的流程兼顾了严谨（有 landmark 时精准对齐）与容错（无 landmark 时亦不排除数据），\n展现出对真实世界应用场景的务实理解。\n\n选择 **MobileNetV3-large1.25** 作为特征提取骨干，是本方案的关键设计。\n\n此架构本身即为针对 edge AI 与低功耗设备所优化，在保持卷积效率的前提下，导入 **SE attention block** 与 **h-swish 非线性激活函数**，能在参数数量与识别能力间取得合理折衷。\n\n搭配 **SGD optimizer + Multi-step Learning Rate 调度策略**，让模型能逐阶段稳定收敛，而非一次性全域下降。\n\n除了基本的增强（如裁剪、翻转等），团队也针对不同 Protocol 数据集的均值与标准差进行归一化处理，避免因来源异质导致特征偏移。\n\n这种针对各协议调整预处理的设计，属于团队提交的方法；论文未单独量测它对泛化能力的影响，该队在最终榜单的 ACER 为 37.3436%。\n\n### 13. Vicognit\n\n\n\n![vicognit](/content/papers/assets/1c695becf2285e745f41fdd1c8e19a50fee6bee40ec6873fb147abec3358adb4.jpg)\n\n\n\n在所有参赛队伍中，**Vicognit** 是少数明确将注意力焦点放在 ViT 上的团队。\n\n他们提出的方案名为：\n\n> **FASTormer：Leveraging Vision Transformers for Face Anti-Spoofing**\n\n这是一种以 Transformer 为主干的设计，团队希望利用它编码关联、捕捉序列结构的能力，从空间信息中学习脸部真伪的识别线索。\n\nVicognit 的方案核心在于：使用 ViT 建模人脸图像；报告称没有降低输入数据的维度，但未提供输入解析度或相关消融，无法判断具体保留了哪些细节。\n\n这样的策略并不新颖，但在 face anti-spoofing 任务中却极具挑战。\n\n由于假脸与真脸间的差异往往不在几何，而在纹理、材质与微幅干扰；ViT 所提供的全域关联建模能力，正好适合学习这些细微且不规律的语意裂缝。\n\n在训练策略上，他们采用以下方式：\n\n- 微调 **Learning Rate** 与 **Weight Decay**，使模型参数能稳定、精准地收敛；\n- 报告未提供额外数据增强流程的细节，因此无法评估这部分对结果的影响。\n\n这样的策略以 Transformer 作为识别主干，但最终 ACER 为 52.1031%、AUC 为 46.7025%，本次结果没有支持「良好泛化能力」的判断。\n\nVicognit 的方案提供了纯 Transformer 架构在这次挑战中的比较结果。\n\n## 讨论\n\n\n\n![result](/content/papers/assets/f4086f2a4c1997a77eed7bb517b610ff0daa10295be048772c2af99ead9b8977.jpg)\n\n\n\n根据官方最终统计，排名前五的队伍呈现出几个值得留意的结果：\n\n1. **前三名在 ACER 指标上明显领先其他队伍**：第三名为 5.5111%，第四名为 16.2263%。\n2. **第一名队伍在 ACER、AUC、BPCER 全数拔得头筹**，但最佳 APCER 则由第五名队伍夺下，显示不同模型对不同错误类型具选择性优势。\n3. **前五名包含业界与研究机构队伍**，例如第四名 BSP-Idiap 来自 Idiap Research Institute；队伍背景本身不能解释成绩差异。\n4. **整体队伍在 ACER 表现上落差甚大**，由 2.3396% 到 52.1031%；单次竞赛还不足以判定某一类架构是普遍最佳解。\n\n这场挑战除了排名，也让不同模型与数据策略在相同协议下接受比较。\n\n从主办单位的赛后整理来看，有三个值得继续检验的方向：\n\n- **路径一：检查骨干容量与成绩的关系**；大型模型有可能受益，但冠军使用的是 ResNet-50，不能只按模型大小选择。\n- **路径二：改善数据预处理与类别平衡**；多队使用裁剪、增强或损失权重调整，仍需分别验证其贡献。\n- **路径三：从局部信息缺失的图像学习**；遮挡与局部特征方法提供研究方向，这份报告没有跨方法消融来排序它们。\n\n这些是主办单位从参赛方案归纳的方向，不能把榜单名次直接当成单一设计选择的因果证据。\n\n## 结论\n\n根据本次竞赛观察与主办单位的整理，未来 UAD 发展仍有三个主要方向需要突破：\n\n1. **更完整的数据集建构**：\n\n   尽管 UniAttackData 已为跨攻击类型的数据统一立下基础，但在攻击类型丰富性、受试者多样性与画质品质上仍有改进空间。尤其是在对抗式攻击、风格转换式假脸等新型态下，现有数据样本数仍难以支撑系统性泛化验证。\n\n2. **预训练模型引导的泛化策略**：\n\n   CLIP 是视觉语言模型，DINOv2 则是视觉基础模型；两者提供不同的预训练表征。未来若能更有效将这些知识用于 UAD 任务，或许能减少对 labeled spoof data 的高度依赖。\n\n3. **任务协议与标准重构**：\n\n   现有协议虽具代表性，但难以涵盖混合式攻击、多模态场景与移动端部署等新应用情境。发展更高层次的任务定义与分层评估机制（例如将误判区分为高风险 vs 可容忍错误），将是提升真实应用可信度的必要之路。\n\n当前，我们仍行走在识别假象的迷雾中。\n\n不同队伍在演算法的多样路径上点亮了火光，有的通过注意力看穿异常，有的以遮挡训练出坚韧，有的从三维空间抽离形体真伪。\n\n但最终问题仍然未变：\n\n> **我们是否真的知道，一张假脸是如何构成的？**\n\n或许答案还未成形，但在这场技术的公开比试之后，我们离它，已再近一步。\n","imageSizes":{"/content/papers/assets/abaaaf34c640c745a0165cb4fde1efa2787959e96a4d4e845b7223c293abbaea.jpg":{"width":996,"height":532},"/content/papers/assets/bc0330001d4cbd12946f685a951558a36380cee0322993e8b4d39ed656ccf0cd.jpg":{"width":984,"height":960},"/content/papers/assets/464c459e92910d60b294a2bf19148fa790db0c5b203d5359f65ef70b8b183a47.jpg":{"width":1224,"height":664},"/content/papers/assets/1e6fea2843b31ed1b866cdf9b4e6a123bdced8199f72e1e7095ed9ec70310bc6.jpg":{"width":1064,"height":688},"/content/papers/assets/77e9cb3000506ae74c0813329c67a40ac0673827fbd80f7b08fc5d66ac23ef9e.jpg":{"width":1224,"height":492},"/content/papers/assets/6dd8804bb526c7bffb78a4d3340baf864ca009bc24d0ef8086e3ea8452094380.jpg":{"width":1064,"height":520},"/content/papers/assets/f566fec61190796a2eb3bc67c9ef234c29c92d63125d30cf963c9ea6e8728921.jpg":{"width":1064,"height":368},"/content/papers/assets/5e9de9ea310c03c41102d3181a9b1dc95eeedf539f7efca3fd3021f215f5bf4a.jpg":{"width":1224,"height":202},"/content/papers/assets/c3a5a413f16232aa72c2683955c30b8cee46ecc2b2a0782e0ef2e4fb0990788c.jpg":{"width":1224,"height":592},"/content/papers/assets/f239fb6a410a1c33d1884c1204a2495ed2de229c88eb21b8da55748f33adac4d.jpg":{"width":1224,"height":548},"/content/papers/assets/921acf3fbe5648b16710095327613c539e075fa75647aa0d1059f8b7f43dc86d.jpg":{"width":1224,"height":356},"/content/papers/assets/1c695becf2285e745f41fdd1c8e19a50fee6bee40ec6873fb147abec3358adb4.jpg":{"width":1224,"height":472},"/content/papers/assets/f4086f2a4c1997a77eed7bb517b610ff0daa10295be048772c2af99ead9b8977.jpg":{"width":1224,"height":636}}}
