顔のスプーフィング対策のための中央差分畳み込みネットワーク探索

顔の偽造防止（Face Anti-Spoofing: FAS）は、顔認識システムにおいて極めて重要な役割を果たしている。現在の最先端FAS手法の多くは、1）積層型畳み込みと専門家設計のネットワークに依存しており、詳細な細粒度情報の表現能力に乏しく、環境変化（例えば照明条件の違い）に伴い性能が著しく低下しやすいという課題がある。また、2）動的特徴を抽出するために長時間系列データを入力として利用する傾向があるため、迅速な応答が求められる実用シーンへの導入が困難である。本研究では、中央差分畳み込み（Central Difference Convolution: CDC）に基づく新しいフレームレベルFAS手法を提案する。この手法は、強度情報と勾配情報を統合することで、顔画像の内在的な詳細なパターンを効果的に捉えることができる。CDCを基盤としたネットワーク、すなわち中央差分畳み込みネットワーク（CDCN）は、従来の通常畳み込みを用いたネットワークと比較して、より高いロバスト性を持つモデル化能力を有している。さらに、特に設計されたCDC探索空間上でニューラルアーキテクチャ探索（Neural Architecture Search: NAS）を適用し、より強力なネットワーク構造（CDCN++）を発見した。このCDCN++は、マルチスケール注意融合モジュール（Multiscale Attention Fusion Module: MAFM）と組み合わせることで、さらなる性能向上が可能となる。提案手法の有効性を検証するため、6つのベンチマークデータセット上で包括的な実験を実施した。その結果、1）同一データセット内での評価において、特にOULU-NPUデータセットのProtocol-1において0.2%のACERという優れた性能を達成した。2）一方で、異なったデータセット間での汎化性能についても優れており、特にCASIA-MFSDからReplay-Attackへの移行評価において6.5%のHTERを達成した。本研究の実装コードは、以下のURLから公開されている：\href{https://github.com/ZitongYu/CDCN}{https://github.com/ZitongYu/CDCN}。