رغم تحقيق بعض التقدم، فإن الخصائص النسيجية اليدوية الصنع، مثل LBP [23] وLBP-TOP [11]، لا تزال غير قادرة على التقاط الأدلة الأكثر تمييزًا بين الوجوه الحقيقية والوهمية. في هذا البحث، بدلاً من تصميم الخصائص بأنفسنا، نعتمد على الشبكات العصبية التلافيفية العميقة (CNN) لتعلم خصائص ذات قدرة تمييزية عالية بطريقة مراقبة. عند الجمع بين بعض معالجة البيانات المسبقة، يتحسن أداء كشف الغش في الوجه بشكل كبير. في التجارب، تم تحقيق انخفاض نسبي يزيد عن 70% في معدل الخطأ الكلي النصف (HTER) على مجموعتين من البيانات تحديتين، وهما CASIA [36] وREPLAY-ATTACK [7] مقارنة بأحدث التقنيات. بالإضافة إلى ذلك، تشير نتائج التجارب بين المجموعتين من البيانات إلى أن الشبكات العصبية التلافيفية يمكنها الحصول على خصائص ذات قدرة تعميم أفضل. علاوة على ذلك، فإن الشبكات التي تم تدريبها باستخدام بيانات مركبة من المجموعتين لديها انحيازات أقل بينهما.