Gesichtsauthentifizierungssysteme erfordern ein robustes Anti-Spoofing-Modul, da sie durch gefälschte Spoof-Bilder autorisierter Benutzer täuschen lassen können. Die meisten aktuellen Ansätze zur Gesichtsanti-Spoofing basieren auf optimierten Architekturen und Trainingszielen, um die Verteilungsverschiebung zwischen Trainings- und Testbenutzern zu verringern. In realen Online-Szenarien enthält jedoch die Vergangenheitsdaten eines Benutzers wertvolle Informationen, die genutzt werden könnten, um diese Verteilungsverschiebung zu mildern. Wir stellen daher OAP (Online Adaptive Personalization) vor: eine leichtgewichtige Lösung, die das Modell online anhand von unlabeled Daten anpassen kann. OAP lässt sich nahezu auf allen bestehenden Anti-Spoofing-Methoden einsetzen, ohne dass die ursprünglichen biometrischen Bilder gespeichert werden müssen. Durch experimentelle Evaluierung auf dem SiW-Datensatz zeigen wir, dass OAP die Erkennungsleistung bestehender Methoden sowohl im Einzelvideo- als auch im kontinuierlichen Szenario verbessert, wobei Spoof-Videos mit echten Aufnahmen abwechselnd eingespielt werden, um Spoofing-Angriffe zu simulieren. Zudem führen wir Abstraktionsstudien durch, um die Designentscheidungen unserer Lösung zu bestätigen.