隨着銀行、貸款機構和政府部門把越來越多業務放在線上，對遠程用户進行身份驗證成為風險控制的重要節點。人臉識別、證件防偽檢測等反欺詐工具雖然已廣泛應用，卻難以獲得足夠多的真實身份證件用於測試。身份文件是高度敏感的隱私數據，真實樣本數量少、採集口徑不一，導致模型評估容易失真，也無法對不同欺詐方式和拍攝條件做系統性覆蓋。論文作者在摘要中提到，其團隊此前圍繞該主題發佈的八部分相關工作累計下載量已超過1.1萬次，顯示研究社區和企業對可擴展合成數據的強烈需求。
在這份於2026年9月2日提交至arXiv的技術報告中，作者提出了 IDSpace。該生成器在三個方向上擴展了以往工作。第一，引入模型引導的貝葉斯優化。給定目標域中只有少量真實樣本時，優化器會調整生成參數，使合成文檔不僅肉眼觀感接近真實證件，也能與目標域模型的預測行為保持一致。第二，把用户關心的元數據與底層控制參數解耦。評估人員只需提供人口統計特徵、欺詐模式、採集設備等業務層面的設定，字體風格、噪聲水平和圖像質量等低層參數交由系統自動調整，因此沒有計算機視覺專業知識也能完成評估配置。第三，系統不再侷限於模板圖像，還支持掃描件和手機翻拍件，能夠模擬證件在真實使用場景中的多種數字化形態。
實驗結果顯示，與CycleGAN、擴散式圖像修補和無引導優化等基線相比，IDSpace 僅利用少量真實樣本就能把評估一致性提高15%至45%；用於下游識別模型訓練時，最高可帶來約9%的準確率提升；生成圖像與目標域的SSIM相似度也提高了10%。研究團隊還發布了一個包含359,240張高質量合成文檔的數據集，覆蓋十種歐盟身份證件類型，可用於復現實驗和進一步研究。
該論文同時列入計算機視覺與模式識別（cs.CV）和機器學習（cs.LG）方向，arXiv編號為2609.03052，投稿版本為v1。作者身份信息顯示，論文由Lulu Xie與其他五位研究者共同完成。隨着數字身份驗證在金融、政務等場景持續普及，這種能夠兼顧視覺真實性和模型一致性的合成數據生成方法，有望為反欺詐系統提供更可靠、更可重複的評估基礎。