过去几十年，面部识别研究取得了巨大进展。从最初只能在受控环境中进行识别的算法，到如今的面部识别系统在大规模无约束面部数据集上实现了非常高的准确率。尽管新出现的算法不断取得更好的性能，但大多数面部识别系统在伪装变化下仍容易失效，这是面部识别中最具挑战性的协变量之一。现有的大多数伪装数据集包含的图像变化有限，通常是在受控环境下拍摄的。这并不能模拟现实世界中的场景，在这些场景中，面部识别系统会遇到有意和无意的无约束伪装。本文提出了一种新的“野外伪装面孔”（Disguised Faces in the Wild, DFW）数据集，该数据集包含超过11000张来自1000个身份的不同类型伪装配件的照片。这些图像从互联网收集而来，因此与现实世界的无约束环境相似。这是首个提供每个对象的真实和冒充者混淆面孔图像的数据集。我们认为，研究社区可以从DFW数据集中受益匪浅，以开发对这种对抗手段具有鲁棒性的算法。作为CVPR 2018首届国际“野外伪装面孔”研讨会和竞赛的一部分，该数据集已对外发布。本文详细介绍了DFW数据集，包括评估协议、基线结果、竞赛提交结果的性能分析以及DFW挑战数据集的三个难度级别：（i）简单、（ii）中等、（iii）困难，以展示问题的挑战性。