Los métodos de Anti-Suplantación Facial (FAS) juegan un papel muy importante en garantizar la seguridad de los sistemas de reconocimiento facial. Los métodos de FAS existentes funcionan bien en escenarios de corta distancia, por ejemplo, desbloqueo de teléfonos, pagos faciales, etc. Sin embargo, sigue siendo un desafío mejorar la generalización de FAS en escenarios de larga distancia (por ejemplo, vigilancia) debido a la variabilidad en la calidad de las imágenes. Para abordar la falta de imágenes de baja calidad en escenarios reales, creamos un Conjunto de Datos de Anti-Suplantación Facial de Baja Calidad (LQFA-D) utilizando cámaras de vigilancia de Hikvision. Con el fin de implementar el modelo en un dispositivo periférico con capacidad computacional limitada, proponemos una red ligera de FAS basada en MobileFaceNet, en la cual se introduce el modelo de atención de Coordenadas (CA) para capturar la información espacial importante. Luego, proponemos un marco de trabajo de FAS multi-escala para imágenes de baja calidad para explorar características multi-escala, que incluye tres modelos multi-escala. Los resultados experimentales de LQFA-D muestran que la Tasa de Error de Clasificación Promedio (ACER) y el tiempo de detección del método propuesto son del 1.39% y 45 ms por imagen para las imágenes de baja calidad, respectivamente. Esto demuestra la efectividad del método propuesto en este documento.