HySpeFAS

HySpeFAS是一个基于快照压缩成像的高光谱人脸防伪数据集。

HySpeFAS is a hyperspectral face anti-spoofing dataset based on snapshot compressive imaging.

原始信息汇总

HySpeFAS 数据集概述

数据集基本信息

• 数据集名称：HySpeFAS (A Hyperspectral Face Anti-spoofing Dataset based on Snapshot Compressive Imaging)
• 核心用途：基于快照压缩成像的高光谱人脸防伪
• 相关论文：发表于《IEEE Transactions on Information Forensics and Security》2026年第21卷

数据集获取与许可

• 许可协议：CC BY-NC-ND 4.0
• 下载地址：
  • Google Drive: https://drive.google.com/drive/folders/1ykd0iKoYSfy1Vf72h09guljsWqeWnCrs?usp=sharing
  • 百度网盘: https://pan.baidu.com/s/1650Q9GBrMc-nNOsak7H--Q?pwd=68hx
• 获取流程：需根据说明签署并发送协议以获取解压密码

数据集内容与结构

• 主要数据：包含用于人脸防伪研究的高光谱图像数据
• 数据组织：下载完整数据集后，需将文件解压并置于代码仓库的 data 目录下
• 衍生数据：可通过运行重建脚本 reconstruction/reconstruct_images.m 获得重建的高光谱图像

基线方法与模型

• 模型代码位置：fas_models 文件夹提供了论文中测试的所有基线模型
• 重建代码：reconstruction 文件夹包含使用凸优化从快照单次成像和传感矩阵重建高光谱图像的代码

实验基准

• 基准赛道1：包含 SMN-ResNet 和 TwIST-ResNet 等模型的训练代码
• 基准赛道2：包含 SSI-RGB 和 HSI-RGB 融合网络的训练代码
• 基准赛道3：包含特定基线模型的训练代码

技术依赖

• 主要库：opencv-python, scipy, numpy, torch, torchvision
• 测试环境：Python 3.8, Ubuntu 20.04, RTX2080Ti GPU, CUDA 11.2

搜集汇总

数据集介绍

构建方式

在生物特征识别领域，高光谱成像技术因其能够捕捉丰富的光谱信息而备受关注。HySpeFAS数据集的构建采用了快照压缩成像方法，通过单次曝光获取三维高光谱数据，有效克服了传统扫描式成像的时间延迟问题。数据采集过程中，利用定制化的硬件系统捕获了真实人脸与多种欺骗攻击样本，包括打印照片、三维面具及电子屏幕显示等，确保了数据在光谱维度上的多样性与真实性。所有样本均经过严格的光学校准与预处理，以消除环境光照与传感器噪声的干扰，为后续分析提供了高质量的原始数据基础。

特点

该数据集的核心特点在于其独特的高光谱属性与多模态结构。HySpeFAS不仅提供了原始的快照压缩图像，还包含了通过凸优化算法重建的高光谱图像，形成了SSI与HSI的双重数据表示。数据涵盖了三类主要的欺骗攻击类型，并在光谱分辨率上达到了精细划分，能够揭示不同材料在特定波段下的反射特性差异。此外，数据集设计了多条基准赛道，支持从单一模态到多模态融合的多种反欺骗研究路径，为算法验证与比较提供了系统化的框架。

使用方法

研究人员在使用HySpeFAS数据集时，需首先签署许可协议并获取解压密码，随后将数据安置于指定目录中。根据研究目标的不同，可以选择直接使用SSI数据，或运行重建脚本获取R-HSI以进行更深入的光谱分析。基准代码库提供了针对不同赛道的训练脚本，例如使用train_ssi.py训练基于快照图像的模型，或利用train_hsirgb_fusion.py探索多模态融合策略。通过调整数据路径与模型参数，用户可以便捷地复现论文中的基准结果，或在此基础上开发新的反欺骗算法。

背景与挑战

背景概述

高光谱成像技术因其丰富的光谱信息，在生物特征识别领域展现出独特优势，尤其在面部防伪检测中能够有效区分真实皮肤与伪造材料。HySpeFAS数据集由研究团队于2026年构建，相关成果发表于《IEEE Transactions on Information Forensics and Security》。该数据集基于快照压缩成像技术采集，旨在解决传统RGB或近红外数据在面部防伪任务中光谱信息不足的核心问题。通过提供高光谱图像序列，HySpeFAS为开发更鲁棒的防伪算法奠定了数据基础，推动了多模态生物特征安全研究的发展。

当前挑战

在面部防伪领域，现有数据集常受限于单一光谱波段，难以应对复杂伪造手段如3D打印面具或高仿真硅胶面具的挑战。HySpeFAS数据集通过高光谱成像技术捕捉细微光谱差异，但其构建过程面临多重困难：快照压缩成像系统需在有限曝光时间内获取高维光谱数据，对硬件同步与光学校准提出极高要求；数据重建环节依赖复杂优化算法，计算开销巨大；此外，高光谱数据标注需结合多专家视觉验证，确保样本标签的精确性。这些挑战共同塑造了数据集的技术深度与应用边界。

常用场景

经典使用场景

在生物特征识别领域，人脸防伪技术是保障身份认证安全的关键环节。HySpeFAS数据集通过快照压缩成像技术捕获高光谱人脸图像，为研究者提供了丰富的真实与伪造样本。该数据集最经典的使用场景在于训练和评估基于高光谱信息的防伪模型，例如利用原始压缩测量数据或重建后的高光谱图像，开发能够区分活体人脸与各种攻击手段（如打印照片、三维面具）的深度学习算法。这种多模态数据支持从单一光谱到多光谱融合的全面实验，推动了防伪系统在复杂光照和材质条件下的鲁棒性提升。

解决学术问题

传统人脸防伪研究常受限于可见光数据的不足，难以应对日益精细的伪造攻击。HySpeFAS数据集通过引入高光谱维度，有效解决了跨模态特征提取、小样本学习以及复杂攻击检测等学术难题。它使得研究者能够深入探索光谱反射特性与活体生理活动（如微血管运动）的关联，为防伪机制提供了更丰富的生物物理依据。该数据集的意义在于填补了高光谱防伪数据资源的空白，促进了多学科交叉，对信息取证与安全领域的理论发展产生了深远影响。

衍生相关工作

HySpeFAS数据集的发布催生了一系列创新研究。在模型架构方面，衍生出了如SMN-ResNet、TwIST-ResNet等专用于压缩测量或重建高光谱图像的基线网络；在多模态融合方向，推动了SSI-RGB与HSI-RGB融合网络的探索，以兼顾效率与精度。同时，该数据集激励了压缩感知重建算法的优化，如基于凸优化的图像复原技术。这些工作不仅拓展了高光谱计算成像的理论边界，也为后续大规模防伪数据集的构建与标准化评估提供了重要参考。