# Silent Face Anti Spoofing

> Modelo de liveness pasivo NUAA para detectar ataques de impresión, pantalla y spoofing sin interacción del usuario

- Skill: `davidcastagnetoa/silent-face-anti-spoofing` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add davidcastagnetoa/silent-face-anti-spoofing`
- Raw SKILL.md: https://api.skillmd.com/api/skills/davidcastagnetoa/silent-face-anti-spoofing/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: davidcastagnetoa (https://skillmd.com/u/davidcastagnetoa)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/davidcastagnetoa/silent-face-anti-spoofing

---


# silent_face_anti_spoofing

Silent-Face-Anti-Spoofing (NUAA) es el modelo principal de liveness pasivo. Analiza un único frame para determinar si el rostro es real o un ataque (foto impresa, pantalla, máscara).

## When to use

Ejecutar sobre cada frame de selfie antes del challenge activo. Es la primera línea de defensa contra spoofing.

## Instructions

1. Clonar el repositorio: `git clone https://github.com/minivision-ai/Silent-Face-Anti-Spoofing.git`
2. Instalar dependencias: `pip install torch torchvision opencv-python`.
3. Descargar los pesos preentrenados del repositorio oficial (modelos 2.7_80x80 y 4_0_0_80x80).
4. Cargar ambos modelos en memoria al arrancar el worker (model warm-up).
5. Preprocesar el frame: recortar región facial, redimensionar a 80x80, normalizar.
6. Ejecutar inferencia en ambos modelos y promediar scores.
7. Umbral de liveness: `score > 0.6` = real; `score ≤ 0.6` = spoof.
8. Exportar a ONNX para despliegue en Triton: `torch.onnx.export(model, dummy_input, 'silent_fas.onnx')`.

## Notes

- Repositorio oficial: https://github.com/minivision-ai/Silent-Face-Anti-Spoofing
- Combinar con MiniFASNet para mayor robustez.
- Fine-tuning recomendado con datos propios del dominio para reducir FRR.