这篇综述系统地梳理了身份证件伪造攻击与检测方法的最新进展。随着生成式AI工具的普及，伪造能力发生了根本性转变：非专业人员也能借助AI生成高逼真度的证件或对现有证件进行字段级篡改，而现有的检测基准尚未跟上这一威胁。论文首次将物理呈现攻击（如印刷品翻拍）、数字注入攻击（如向数字验证流程插入伪造图像）和完全由生成式AI驱动的合成攻击统一在一个身份证件验证威胁模型下，揭示了不同攻击类型特有的取证失效模式。检测方法方面，论文从规则启发式方法、取证定位、注入感知流水线，一直追踪到大模型和少样本框架。通过对2019-2025年间公开数据集的系统审计，作者发现基准测试与真实部署之间存在持续的“现实差距”。此外，论文分析了大型多模态模型在证件篡改中的表现，识别出“脚本相关生成不稳定性”（SDGI）——一种非拉丁字母文本修补中反复出现的排版失败模式。最后，在未见过的合成身份证上的零样本基准测试显示，即使最强的公开模型在安全导向的操作条件下APCER值仍超过25%，暴露出跨域泛化的重大局限。论文最后指出了未来方向：构建基于取证、保护隐私并具有法律问责性的身份验证系统。

本文针对远程身份验证系统中身份证图像质量评估的挑战，提出将开放人脸图像质量（OFIQ）标准中与采集相关的质量度量应用于身份证图像。预处理流程包括角点检测、透视归一化和全面的前景掩码，以确保准确且无偏的质量度量计算。通过分析这些度量与三种展示攻击检测（PAD）算法在四个不同身份证数据集（其中两个包含真实图像，两个包含印刷仿冒身份证）上的性能相关性，评估了这些度量的有效性。结果表明，基于某些OFIQ度量的质量评估可以显著提升PAD性能。该研究为远程身份验证中的身份证图像质量控制和反欺诈提供了新的思路。