用于人脸反欺骗的中心差分卷积网络搜索

人脸反欺骗（Face Anti-Spoofing, FAS）在人脸识别系统中发挥着至关重要的作用。现有的主流FAS方法主要存在两个局限性：其一，依赖堆叠卷积与人工设计的网络结构，难以有效捕捉细节性的细粒度信息，且在环境变化（如光照差异）条件下性能易下降；其二，倾向于采用长序列输入以提取动态特征，导致模型难以部署于对响应速度要求较高的实际场景。为此，本文提出一种基于中心差分卷积（Central Difference Convolution, CDC）的新型帧级FAS方法。该方法通过融合像素强度与梯度信息，能够有效捕获输入图像中内在的细微纹理模式。基于CDC构建的网络结构——中心差分卷积网络（CDCN），相较于传统卷积构建的网络，在建模能力上展现出更强的鲁棒性。进一步地，本文设计了一个专门的CDC搜索空间，并结合神经架构搜索（Neural Architecture Search, NAS）技术，自动发现性能更优的网络结构（CDCN++），并通过引入多尺度注意力融合模块（Multiscale Attention Fusion Module, MAFM）实现性能的进一步提升。在六个基准数据集上开展的大量实验表明：1）所提方法在单数据集测试中表现优异，尤其在OULU-NPU数据集的Protocol-1上实现了0.2%的ACER（等错误率），显著优于现有方法；2）在跨数据集测试中也展现出良好的泛化能力，例如从CASIA-MFSD数据集到Replay-Attack数据集的测试中，HTER（半正负错误率）降低至6.5%。相关代码已开源，地址为：https://github.com/ZitongYu/CDCN。