人臉反偽造對於依賴偵測臉部真實性的應用程式至關重要。最近輔助資訊如臉部深度圖和 rPPG 訊號，已被成功地應用以提高臉部部反偽造的性能。因此，輔助資訊的預測品質是分類真實/偽造有效性的關鍵。在本文中，我們關注輔助訊息之預測的魯棒性和潛在特徵的可辨別性。我們提出在對抗性學習框架中估計輔助資訊以真實/偽造分類器的訓練。我們在對比損失中加入了額外的約束，並提出了一個區別性的批量對比損失來學習潛在特徵。輔助資訊和區別性潛在特徵都用於分類真實/欺騙。此外，由於並非所有輔助監督都同樣可靠，因此我們提出了一種適應融合策略來融合來自不同輔助監督分支的預設結果。在數個基準資料集上的實驗結果表明，提出的方法明顯優於以前的方法。