该论文提出了一种名为 UiAs 的多模态无线信号驱动的三维人脸防欺骗系统，旨在解决人脸认证系统面临的高保真 3D 面具攻击问题。随着 3D 打印和建模技术的发展，攻击者可以制作出高度还原人脸外观和几何结构的 3D 面具，这些面具能够骗过传统的基于可见光的活体检测手段。然而，3D 面具无法复制真实皮肤组织在物理层面对电磁波和机械波的独特响应特性。UiAs 利用毫米波（电磁波）和声波（机械波）两种无线信号主动探测人脸，获取活体组织的物理响应线索。核心挑战在于，无线信号捕获的活体线索与用户的个性化面部几何特征相互纠缠，导致跨用户泛化能力差。UiAs 的创新点在于：两种模态（毫米波和声波）共享相似的、依赖于用户几何特征的信号变化，通过跨模态相减操作可以抑制这些共有干扰，同时保留各自模态特有的活体线索；两种模态的物理响应具有互补性，进一步增强了活体/欺骗的判别能力。在实际部署中，面部多种材质（如皮肤、头发、眼镜、口罩）可能引入偏差，且欺骗材料多样且开放，UiAs 通过皮肤锚定对比学习（skin-anchored contrastive learning）来同时处理这两个问题。实验使用真实 3D 面具攻击进行评测，对于未见过的用户，在不进行用户特定物理信号注册的情况下，达到 93.25% 的准确率。该研究为 3D 人脸防欺骗提供了新思路，尤其适合对非接触式、跨用户泛化能力有高要求的安全敏感场景。