Partial Paper Mask Attack Dataset

部分纸质面具攻击数据集包含50名参与者的3,000个视频，用于面部反欺骗、活体检测和呈现攻击检测（PAD）。数据集捕捉了攻击者使用打印的面部特征（眼睛、嘴巴、鼻子区域及其组合）覆盖在真实脸上的情况，具有真实皮肤、眼睛或嘴巴可见、真实面部运动与静态打印区域共存等特点，使得部分纸质面具成为面部反欺骗系统的盲点。

This paper mask presentation attack dataset contains 3,000 video samples from 50 participants, intended for face anti-spoofing, liveness detection and Presentation Attack Detection (PAD). The dataset records scenarios where attackers cover real faces with printed facial features including eye, mouth, nose regions and their combinations. It exhibits characteristics such as real skin, visible eyes or mouth, and the coexistence of real facial movements and static printed areas, which renders some paper masks blind spots for face anti-spoofing systems.

原始信息汇总

数据集名称

Partial Paper Mask Attack Dataset — 部分纸质面具攻击数据集（人脸防欺骗与活体检测）

数据集简介

该数据集包含来自50位参与者的3,000段视频，展示了一种新型的人脸欺骗攻击——部分纸质面具攻击。攻击者将打印的人脸局部特征（如眼睛、嘴巴、鼻子区域及其组合）覆盖在自己的真实面部上，用于训练人脸防欺骗、活体检测、呈现攻击检测（PAD）和防人脸欺骗模型。

为什么部分纸质面具攻击值得关注

与传统的全脸打印攻击或纸质面具攻击不同，部分纸质面具攻击具有以下独特且难以检测的特点：

• 攻击者的真实皮肤、眼睛或嘴巴与打印的局部区域同时可见。
• 真实的面部运动（如眨眼、嘴唇动作）与静态打印区域共存。
• 真实皮肤与纸张之间的边缘伪影较细微，难以大规模检测。
• 这使得部分纸质面具攻击成为仅训练于全脸2D或3D呈现攻击的人脸防欺骗系统的盲点。

数据集概览

参数	值
总视频数	3,000
参与者数	50
采集设备	Galaxy A54 (Android), iPhone 14 Pro (iOS)
视频时长	15秒
视频格式	.mp4 / .MOV
许可证	CC BY-NC 4.0（样本）

攻击描述

每位参与者佩戴打印的他人面部纸质裁剪片，覆盖不同的面部区域及其组合。面具使用高质量纸张打印，颜色与参与者的肤色匹配，并使用透明胶带粘贴或手持固定。每个视频均包含以下主动活体特征：

• 拉近/拉远镜头
• 自然头部运动
• 眨眼

适用场景

• 人脸防欺骗数据集：训练针对部分覆盖攻击的PAD模型。
• 人脸活体检测数据集：提升超越回放攻击和全脸打印攻击的鲁棒性。
• 呈现攻击检测（PAD）：扩展对真实与伪造混合信号的覆盖范围。
• iBeta认证准备：在提交iBeta Level 1/2测试前，针对现实2D攻击进行测试。
• 打印攻击检测：处理裁剪覆盖变体。
• 多攻击类型管道：与全脸打印、3D面具和回放攻击数据集结合使用。

完整数据集与定制采集

此仓库仅提供样本预览。完整数据集可供商业使用，并接受定制数据采集服务，可根据需求扩大参与者规模、增加采集设备、指定人群分布和自定义面具配置。有关完整数据集和商业许可，请访问请求页面：axonlab.ai

关于 Axon Labs

Axon Labs 提供用于人脸防欺骗、活体检测和人脸识别训练的生物特征数据集。2025年通过iBeta认证的公司中有21%使用了其数据集进行训练。

如何获取完整数据集

本仓库仅包含数据集描述。要获取样本和包含10,000+图像的完整数据集（含商业许可），可通过以下途径：

1. 在 Kaggle 或 HuggingFace 浏览样本。
2. 在 axonlab.ai 申请访问。
3. 通过 [e-mail] 联系。

关键词

人脸防欺骗数据集 · 人脸活体检测数据集 · 人脸欺骗数据集 · 纸质面具攻击数据集 · 部分纸质面具 · 2D面具攻击 · 打印攻击数据集 · 呈现攻击检测 · PAD数据集 · iBeta数据集 · 生物特征防欺骗 · 人脸识别欺骗 · 裁剪面具 · 活体检测训练数据

搜集汇总

数据集介绍

构建方式

Partial Paper Mask Attack Dataset 是一个针对人脸活体检测与反欺骗任务的专用数据集，包含来自50名参与者的3000段视频。数据集的构建聚焦于局部纸质面具攻击场景：将印有其他个体面部特征的纸质裁剪片（如眼睛、嘴巴、鼻子区域及其组合）覆盖在攻击者真实面部之上，并采用Galaxy A54与iPhone 14 Pro两款设备录制每段15秒的视频。每段视频均融入了主动活体特征，包括缩放、自然头部运动及眨眼动作，从而模拟真实攻击场景下的动态变化。该数据集专门用于训练模型识别局部遮挡与真实皮肤共存的混合伪造信号，弥补传统全脸打印攻击数据集的盲区。

特点

该数据集的核心特点在于对局部纸质面具攻击的精细化模拟，与常见的全脸打印攻击截然不同。攻击者的真实皮肤、眼睛或嘴巴仍暴露在外，与纸质区域共存，使得真实面部运动（如眨眼、嘴唇动作）与静态印刷部分交织，产生难以察觉的边缘伪影。这种混合真实与伪造信号的设计，显著提升了攻击的隐蔽性与检测难度，为反欺骗模型提供了更具挑战性的训练样本。此外，数据集涵盖了多种遮挡区域组合，并引入了缩放与头动等动态因素，确保了攻击场景的多样性和逼真度，为人脸活体检测系统在应对复杂2D攻击时提供了关键的鲁棒性支撑。

使用方法

该数据集适用于多种人脸安全相关的模型训练与评估场景，包括人脸反欺骗、活体检测、呈现攻击检测及打印攻击识别。使用者可直接将视频数据输入到基于深度学习的检测框架中，训练模型区分局部纸质面具与真实人脸。建议将其与全脸打印攻击、3D面具攻击及重放攻击数据集结合，构建多类型攻击的联合检测流水线。此外，该数据集可作为iBeta认证准备的测试素材，帮助评估系统在真实局部遮挡攻击下的表现。完整数据集及自定义采集服务可通过Axon Labs官网申请，其中包含更大的参与者池、多设备支持及定制化面具配置，以满足商业级应用需求。

背景与挑战

背景概述

Partial Paper Mask Attack Dataset由Axon Labs于2025年创建，旨在应对人脸反欺骗与活体检测领域中的一种新型呈现攻击——局部纸张面具攻击。该数据集包含来自50名参与者的3000段视频，使用Galaxy A54和iPhone 14 Pro双设备采集，每段时长15秒，覆盖眼部、嘴部、鼻区及其组合的局部打印裁剪面具。核心研究问题是传统全脸打印攻击数据集无法捕捉的真实皮肤与假体共存的混合信号，如边缘伪影、真实眼部运动与静态打印区域的交织。该数据集填补了呈现攻击检测（PAD）模型对局部覆盖攻击的盲区，为iBeta认证测试和商业反欺骗系统提供了关键训练资源，在2025年已有21%的iBeta认证公司使用其数据集进行训练。

当前挑战

该数据集面临的挑战首先在于解决领域内的根本难题：局部纸张面具攻击中，攻击者的真实皮肤、眼睛和嘴巴与打印碎片同时可见，真实面部运动（如眨眼、嘴唇动作）与静态打印区域共存，使得传统基于全脸2D或3D攻击训练的活体检测模型难以区分真伪。构建过程中，挑战包括确保50名参与者的面具与肤色精准匹配、使用高质量打印以减少视觉差异，以及通过缩放、自然头部运动和眨眼等主动活体特征引入可控变量。此外，双设备采集带来的格式差异（.mp4与.MOV）需统一处理，而局部边缘伪影的细微性要求标注精度极高，这些因素共同增加了数据集构建的复杂性和对模型泛化能力的考验。

常用场景

经典使用场景

Partial Paper Mask Attack Dataset最经典的使用场景聚焦于人脸防欺骗（Face Anti-Spoofing）与活体检测（Liveness Detection）模型的训练与评估。该数据集通过模拟攻击者将印有他人面部特征（如眼睛、嘴巴、鼻子等区域）的纸质剪切块覆盖在真实面部上的攻击方式，提供了3000段来自50名参与者的高质量视频。研究人员可利用这些视频训练模型识别部分纸质面具的伪造痕迹，例如真实皮肤与纸质之间的边缘伪影、静态纸张与动态真实面部区域之间的运动不连续性。数据集涵盖多种攻击配置（单部位遮挡与组合遮挡），极大丰富了传统仅依赖全脸打印攻击的测试场景，为提升模型在混合真实-伪造信号下的鲁棒性奠定了数据基础。

解决学术问题

该数据集系统性地填补了人脸防欺骗领域对部分纸质面具攻击这一盲区的研究空白。传统的人脸活体检测与演示攻击检测（PAD）数据集多聚焦于全脸打印、重放或3D面具攻击，而对部分遮挡的纸质剪切攻击关注不足。后者因其真实皮肤与伪造区域共存、真实面部运动与静态打印区域并存的特性，难以被基于全脸伪造模式训练的模型识别。该数据集的发布使得学术界能够首次大规模、标准化地研究这一高隐蔽性攻击的检测方法，显著推动了人脸防欺骗技术对混合模态攻击的泛化能力，同时为iBeta等国际认证测试提供了贴近真实威胁的训练与评估基准，在学术与工业认证层面均具有深远的意义。

衍生相关工作

该数据集衍生了一系列围绕混合模态演示攻击检测的经典工作。研究者基于该数据集开发了针对部分纸质面具的边缘感知深度学习框架，通过强化网络对真实皮肤-纸张交界处伪影的敏感性，提升了检测精度。此外，有工作探索了运动线索（如光流与面部动作单元）与静态纹理特征的多模态融合策略，以捕捉真实面部区域与静态纸面在动态行为上的差异。进一步地，该数据集被用作基准来评估不同检测模型对部分遮挡攻击的泛化能力，催生了诸如局部特征增强网络、异常区域定位网络及跨攻击类型泛化训练策略等成果。这些研究不仅拓展了人脸防欺骗的方法论，也为工业界在部署活体检测系统时增加对部分纸质面具攻击的测试维度提供了理论支撑与实践工具。