أظهرت مواجهة التزوير الوجهي اهتمامًا كبيرًا نظرًا للشروط الأمنية العالية المطلوبة في أنظمة المصادقة البيومترية. أصبحت عملية نقل التعرف على الوجه البيومتري إلى الأجهزة التجارية تعتمد بشكل رئيسي على تطوير طرق موثوقة للكشف عن جلسات الدخول المزيفة دون الحاجة إلى أجهزة استشعار متخصصة. تُظهر الطرق القائمة على الشبكات العصبية التلافيفية (CNN) أداءً جيدًا في المجالات التي تم تدريبها عليها، لكنها غالبًا ما تُظهر تعميمًا ضعيفًا على مجموعات بيانات لم تُرَ من قبل. في هذه الورقة، نُقدّم طريقة لاستخدام التدريب المسبق غير المراقب لتحسين الأداء عبر عدة مجموعات بيانات دون الحاجة إلى أي عملية تكييف، ونُقدّم مجموعة بيانات "إنتري أنتسبوفي" (Entry Antispoofing Dataset) لتدريب الدقة المراقبة، ونُقترح طبقة تصنيف ثانوية متعددة الفئات لتعزيز مهمة التصنيف الثنائي للكشف عن محاولات التزوير من خلال إشارات واضحة وقابلة للتفسير. ونُظهر كفاءة نموذجنا من خلال تحقيق نتائج متميزة على مستوى الحالة الراهنة في الاختبارات عبر مجموعات بيانات على مجموعات بيانات MSU-MFSD وReplay-Attack وOULU-NPU.