Les systèmes d’authentification par visage nécessitent un module robuste de résistance aux spoofing, car ils peuvent être trompés par la création d’images falsifiées d’utilisateurs autorisés. La plupart des méthodes récentes de résistance au spoofing reposent sur des architectures optimisées et des objectifs d’entraînement visant à atténuer le décalage de distribution entre les utilisateurs utilisés pour l’entraînement et ceux utilisés pour le test. Toutefois, dans les scénarios en ligne réels, les données passées d’un utilisateur contiennent une information précieuse pouvant être exploitée pour atténuer ce décalage de distribution. Nous introduisons donc OAP (Online Adaptive Personalization), une solution légère permettant d’adapter le modèle en temps réel à l’aide de données non étiquetées. OAP peut être appliquée sur la plupart des méthodes de résistance au spoofing sans nécessiter le stockage des images biométriques d’origine. À travers une évaluation expérimentale sur le jeu de données SiW, nous démontrons que OAP améliore les performances de reconnaissance des méthodes existantes, tant dans un cadre à vidéo unique qu’avec un scénario continu, où les vidéos de spoofing sont intercalées avec des vidéos en direct afin de simuler des attaques de spoofing. Nous menons également des études d’ablation pour valider les choix de conception de notre solution.