Silicone Mask Face Anti-Spoofing Dataset

包含12,500多个硅胶面具攻击视频，使用18种高细节面具和40多种配件组合（假发、眼镜、胡须），用于面部反欺骗、活体检测和iBeta Level 2认证训练。视频在多种环境和光照条件下，使用10多种iOS和Android设备录制。

This dataset contains over 12,500 silicone mask spoofing videos, which are constructed using 18 high-detail masks paired with over 40 accessory combinations including wigs, glasses and beards. It is developed for training purposes related to facial anti-spoofing, liveness detection and iBeta Level 2 certification. All videos were recorded using more than 10 iOS and Android devices across various environments and lighting conditions.

原始信息汇总

数据集概述

该数据集专注于硅胶面具人脸反欺骗，包含超过 12,500 个视频，用于训练人脸活体检测、反欺骗模型以及 iBeta Level 2 认证。

核心数据参数：

参数	数值
总视频数	12,500+
硅胶面具数量	18 个
配饰组合	40+ 种（假发、眼镜、胡须）
环境	4 个办公室、4 个公寓、2 个户外
光照条件	低、中、高
录制设备	10+ 款（iOS 和 Android）

数据集特点

• 高真实感面具：使用 18 个高细节 3D 人脸复制硅胶面具。
• 丰富的配饰：在面具上叠加 40 多种假发、眼镜、胡须组合。
• 主动活体特征：包含自然的头部运动和眨眼。
• 多设备录制：涵盖 iPhone 14/14 Pro/13 Pro、Galaxy S23、Pixel 7、荣耀 70 等设备。
• 多样化环境：在办公室、公寓和户外不同地点采集。
• 三级光照：低、中、高三种光照水平，支持鲁棒性训练。
• 符合 iBeta Level 2：直接支持演示攻击检测（PAD）认证要求。

主要用途

• iBeta Level 2 认证：针对 3D 硅胶面具攻击的训练数据。
• 人脸反欺骗：训练模型应对高保真 3D 面具攻击。
• 活体检测：评估模型对逼真硅胶人脸复制的鲁棒性。
• 3D 面具检测：专门针对硅胶和假体攻击的模型训练。
• 身份验证：用于 KYC 和金融服务中的欺诈预防。

样本与获取

• 数据集样本可在 Hugging Face 和 Kaggle 上查阅。
• 完整数据集提供商业许可，可通过以下方式申请：
  • 请求访问：axonlab.ai/dataset/silicone-mask-attack-data
  • 联系邮箱：[e-mail]

关键词标签

硅胶面具数据集 · 3D 面具攻击数据集 · 人脸反欺骗数据集 · 人脸活体检测数据集 · 演示攻击检测 · PAD 数据集 · iBeta Level 2 数据集 · 活体检测训练数据 · 生物识别反欺骗 · 假体面具检测

搜集汇总

数据集介绍

构建方式

该数据集精心收集了超过12,500段视频，展现硅胶面具攻击的多样场景。构建过程中，团队采用了18款高精细度硅胶面具，并搭配了40余种配件组合，包括假发、眼镜和胡须，以模拟真实攻击者的伪装行为。视频录制覆盖10余款iOS与Android设备，在4间办公室、4间公寓及2处户外环境，以及低、中、高三种光照条件下完成，确保了数据在空间与设备上的广泛代表性。

使用方法

此数据集专为面部反欺骗与活体检测任务而设计。研究人员可将其直接用于训练先进的3D面具攻击检测模型，提升对硅胶与假体攻击的鲁棒性。数据集也适用于iBeta Level 2认证流程，帮助开发符合监管要求的防欺诈系统。完整版数据集需通过商业许可获取，用户可通过访问官方链接申请使用权限，或从Hugging Face与Kaggle平台预览样例。

背景与挑战

背景概述

在生物识别安全领域，人脸防欺骗技术面临愈发严峻的挑战，尤其是高仿真的三维硅胶面具攻击已超越传统打印或屏幕重放攻击的防御范畴。该数据集由Axon Labs团队于近年创建，旨在填补真实世界硅胶面具攻击样本稀缺的空白，收录了超过12,500段视频，涵盖18种精细硅胶面具与40余种配饰组合（如假发、眼镜、胡须），在多个办公、公寓及户外环境中采集，涉及iOS与Android十余种设备。其核心研究问题在于支撑iBeta Level 2认证需求的活体检测模型训练，提升对3D立体攻击的辨识能力，对金融身份核验、KYC合规等场景具有重要推动作用。

当前挑战

当前领域面临的挑战集中于两大层面：一是硅胶面具具有极高的物理仿真度，能模仿真实人脸的动态特征（如眨眼、头部转动），传统活体检测算法在特征层面易被混淆，难以区分真人与面具；二是数据集构建过程中，需克服多设备、多光照、多环境下的数据一致性难题，确保14种设备在不同亮度（低、中、高）与场地条件下录制的视频具备标注质量与攻击多样性。此外，面具与配饰的组合非线性增加了类别不平衡风险，对模型泛化能力提出更高要求，同时需平衡商业许可与学术开放间的数据可及性。

常用场景

经典使用场景

在面部生物特征识别领域，针对高仿真硅胶面具的欺骗攻击一直是反欺骗研究中的严峻挑战。该数据集凭借其18款高精度硅胶面具与40余种配饰组合（如假发、眼镜、胡须），模拟了极高真实感的3D面具攻击，为活体检测与反欺骗模型提供了千变万化的攻击样本。研究者可利用此数据集训练鲁棒性更强的二分类模型，精准区分真实人脸与高保真面具攻击，尤其适用于iBeta Level 2认证场景下的演示攻击检测（PAD）系统开发。

解决学术问题

该数据集有效填补了学术界在高保真3D硅胶面具攻击数据方面的匮乏，解决了现有反欺骗方法因攻击样本单一而导致的泛化能力不足问题。通过包含多设备、多光照、多环境的万级视频样本，它助力研究者从曝光、纹理、深度运动等多维度构建更具判别力的特征，推动了活体检测理论从平面攻击防御迈向立体物理攻击防御的演进。其提供iBeta标准合规数据，更使得学术成果能与工业认证需求直接衔接。

实际应用

在现实世界身份认证体系中，该数据集被广泛应用于金融KYC、安防门禁、移动设备解锁等高安全场景的反欺诈模型训练。FaceID类系统开发者借此测试并增强系统对穿戴仿真面具用户的拦截能力；安全风控平台可基于其样本优化活体检测算法，防范利用定制面具进行的虚假开户与冒名交易。此外，该数据集的iBeta Level 2合规属性，使其直接服务于企业获取国际支付认证标准。

数据集最近研究

最新研究方向

在生物识别安全领域，针对高仿真3D硅胶面具的活体检测与反欺骗研究正成为热点。伴随金融KYC、身份验证等场景对iBeta Level 2认证的刚性需求，该数据集通过18款高精细度面具与40余种配件组合，模拟了黑产在现实光照和设备条件下的攻击行为。前沿方向聚焦于利用多设备、多环境采集的时序视频数据，训练模型捕捉面具材料的微纹理、光反射异常及非自然运动特征，以提升对动态三维面具攻击的鲁棒性。该数据集填补了实战级硅胶面具攻击样本的稀缺性，为业界制定对抗性更强的活体检测标准提供了关键的训练与评测基础，深刻影响着支付安全与数字身份验证领域的攻防演进。