Face Anti-Spoofing-(FAS)-Systeme werden eingesetzt, um absichtliche Spoofing-Versuche gegen Gesichtserkennungssysteme zu erkennen, die beispielsweise durch Video-Wiedergabe oder ausgedruckte Papiermedien durchgeführt werden. Mit der zunehmenden Verbreitung der Gesichtserkennungstechnologie als biometrisches Authentifizierungsmittel gewinnen FAS-Techniken an Bedeutung. Aus Sicht des Lernens handelt es sich bei solchen Systemen um eine binäre Klassifikationsaufgabe. Bei der Implementierung mit neuronalen Netzwerken wird üblicherweise die binäre Kreuzentropie (Binary Cross Entropy, BCE) als Verlustfunktion zur Optimierung verwendet. In dieser Studie schlagen wir eine Variante der BCE vor, die einen Margin im Winkelraum vorschreibt, und integrieren diese in das Training des DeepPixBis-Modells [1]. Zudem präsentieren wir eine Methode, um eine solche Verlustfunktion für eine aufmerksame, pixelweise Überwachung in einem vollständig konvolutionellen Setting einzusetzen. Unser vorgeschlagenes Verfahren erzielt wettbewerbsfähige Ergebnisse sowohl bei intra- als auch bei inter-dataset-Tests auf mehreren Benchmark-Datensätzen und übertrifft konsistent das ursprüngliche DeepPixBis-Modell. Interessanterweise erreicht unsere Methode im Fall des Protokolls 4 des OULU-NPU-Datensatzes, das als das anspruchsvollste Protokoll gilt, eine ACER von 5,22 %, was nur 0,22 % über dem aktuellen State of the Art liegt – ohne dass eine kostenintensive Suche nach neuronalen Architekturen erforderlich ist.