{"notes":[{"id":"face-antispoofing/cdcn","category":"face-antispoofing","legacyPath":"face-antispoofing/2003-cdcn","legacySlug":"2003-cdcn","legacyPaths":[],"title":"CDCN","subtitle":"真与假的错落之间","author":"Z. Yuan","paperDate":"2020-03-09","publishedOn":"2025-05-22","paperTitle":"Searching Central Difference Convolutional Networks for Face Anti-Spoofing","paperUrl":"https://arxiv.org/abs/2003.04092","bibliography":{"title":"Searching Central Difference Convolutional Networks for Face Anti-Spoofing","authors":["Zitong Yu","Chenxu Zhao","Zezheng Wang","Yunxiao Qin","Zhuo Su","Xiaobai Li","Feng Zhou","Guoying Zhao"],"url":"https://arxiv.org/abs/2003.04092","pdfUrl":"https://arxiv.org/pdf/2003.04092","codeUrl":null,"preprint":{"id":"2003.04092","submittedOn":"2020-03-09","url":"https://arxiv.org/abs/2003.04092"},"publication":{"venue":"CVPR","year":2020,"kind":"conference","url":"https://arxiv.org/abs/2003.04092"},"citation":"@misc{faceantispoofingcdcn2020,\n  title = {{Searching Central Difference Convolutional Networks for Face Anti-Spoofing}},\n  author = {Zitong Yu and Chenxu Zhao and Zezheng Wang and Yunxiao Qin and Zhuo Su and Xiaobai Li and Feng Zhou and Guoying Zhao},\n  year = {2020},\n  eprint = {2003.04092},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2003.04092}\n}\n","citationPath":"/content/papers/citations/face-antispoofing/cdcn.5145ea8e34a5.bib"},"thumbnail":{"src":"/content/papers/assets/cbccbefcb7f55848eb9be08cb52a2e798cc1e45ce9ed4524ee2bd168e0f2f751.jpg","width":1008,"height":392},"locale":"zh-hans","path":"/content/papers/zh-hans/face-antispoofing/cdcn.05bcbb1dd89d.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"central-difference-convolution-cdc","text":"Central Difference Convolution (CDC)","depth":3},{"id":"cdc-networks","text":"CDC Networks","depth":3},{"id":"cdcn","text":"CDCN++","depth":3},{"id":"multiscale-attention-fusion-module","text":"Multiscale Attention Fusion Module","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"cdc-参数的影响","text":"CDC 参数的影响","depth":3},{"id":"nas-与-mafm-的贡献","text":"NAS 与 MAFM 的贡献","depth":3},{"id":"oulu-npu-的表现","text":"OULU-NPU 的表现","depth":3},{"id":"跨数据集的泛化能力","text":"跨数据集的泛化能力","depth":3},{"id":"分析与可视化","text":"分析与可视化","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[]}],"text":"人们以为只要模型够深、数据够多，系统就能自然分辨出「真实」与「伪造」。\n\n但我们或许错过了更基础的问题。\n\n这次我们来看一篇非常有名的经典论文：CDCN。\n\n## 定义问题\n\n在人脸识别成为通行标准的时代，活体检测（Face Anti-Spoofing, FAS）逐渐转变为身份验证流程中的关键哨点。攻击手法从高分辨率打印、视频回放，到逼真的 3D 面具等，层出不穷。\n\n面对这样的对手，技术社群曾寄望于手工特征的细腻：LBP、DoG、HOG、SIFT 等局部描述子，曾经捕捉过画面里那些人眼难辨的细微纹理、干扰与印刷残影。\n\n不过，这些方法在某些场景变化下仍可能不够稳健，难以独自满足现代应用的需求。\n\n于是我们走向了深度学习，交由卷积神经网络（CNN）判别真与假的边界。\n\n但 CNN 的优势，也正是它的盲点。\n\n深层结构擅长抽象语义，但在某些设计中可能弱化低层细节，特别是那些只有在特定光线与角度下才能显现的网格纹理、摩尔纹或反光边缘之类。当环境稍有偏移、摄像设备不同，这些模型可能难以泛化，甚至可能将背景纹理或屏幕边框误认为活体特征。\n\n为了增补深层语意的缺口，有人开始尝试引入深度图作为辅助监督信号，企图让模型学会更细致的空间感知。但这些架构大多仍由专家手工设计，基于分类任务的骨干（如 ResNet、VGG、DenseNet）原本就不是为 FAS 而生。\n\n问题回到了一个根本点：如果卷积本身不偏向捕捉这些细节，更高层的设计也必须面对输入表示的局限。\n\n> **那么卷积本身，会不会就是那扇未曾开启的门？**\n\n## 解决问题\n\n在开始之前，先来复习一下卷积的运算方式。\n\n我们知道，标准的 2D 卷积可写为：\n\n$$\ny(p_0) = \\sum_{p_n \\in R} w(p_n)\\cdot x(p_0 + p_n)\n$$\n\n其中，$p_0$ 表示输出位置及其对应的输入中心，$R$ 为感受野（例如 3×3）。\n\n这种「局部加权求和」的思路，已经成为视觉任务的基石，却在面对攻击时，显得不太够用。因为那些极其细微的假象痕迹，往往不是存在于像素强度本身，而是隐匿在像素之间的落差里。\n\n### Central Difference Convolution (CDC)\n\n\n\n![cdc](/content/papers/assets/cbccbefcb7f55848eb9be08cb52a2e798cc1e45ce9ed4524ee2bd168e0f2f751.jpg)\n\n\n\n受到 LBP 的启发，作者尝试将「中心差分」导入卷积运算，令每次计算都包含「变化量」：\n\n$$\ny(p_0) = \\sum_{p_n \\in R} w(p_n)\\cdot \\bigl(x(p_0 + p_n) - x(p_0)\\bigr)\n$$\n\n对比传统卷积，这种做法的重点不再是「值多大」，而是「和中心差多少」。\n\n就像在检测任何细纹或突起时，我们更关心的或许是「边缘」，而非「整体亮度」。\n\n\n> [!TIP]\n> \n> 这里的意思是引入对局部差异的归纳偏置。卷积权重仍要学习，因此 CDC 并不是固定的边缘检测器；普通卷积也能学到差分滤波器。\n\n\n但纯粹的中心差分有时失去了图像本身的绝对信息。\n\n于是作者进一步提出一个混合形式：\n\n$$\ny(p_0) =\n\\theta \\sum_{p_n \\in R} w(p_n)\\cdot \\bigl(x(p_0 + p_n) - x(p_0)\\bigr)\n\\;+\\; (1 - \\theta) \\sum_{p_n \\in R} w(p_n)\\cdot x(p_0 + p_n)\n$$\n\n其中 $\\theta\\in[0,1]$ 为平衡系数：\n\n- 当 $\\theta=0$ 时，即退回原本的卷积操作；\n- 当 $\\theta=1$ 时，则是完全专注于差异量。\n\n作者将这一混合式操作命名为 **CDC**（Central Difference Convolution），用来同时保留「强度」与「差分」的两种信息来源。\n\n为了方便实现，最终还可整理成下列形式：\n\n$$\ny(p_0) =\n\\sum_{p_n \\in R} w(p_n) \\cdot x(p_0 + p_n)\n\\;-\\;\\theta \\cdot x(p_0) \\sum_{p_n \\in R} w(p_n)\n$$\n\n如此一来，在常见的深度学习框架 (PyTorch, TensorFlow) 里，只需几行代码即可将 CDC 接入网络，且不会增加额外参数。\n\n下面给出一个教学用的 CDC 卷积层示例。它假定奇数卷积核和居中零填充（例如 `kernel_size=3, padding=1`），不能直接覆盖所有 `Conv2d` 配置：\n\n```python\nclass Conv2dCD(nn.Module):\n\n    def __init__(self, *, theta=0.7, bias=False, **conv_kwargs):\n        super().__init__()\n        self.theta = theta\n        self.conv = nn.Conv2d(bias=bias, **conv_kwargs)\n\n    def forward(self, x):\n        out = self.conv(x) # 常规卷积\n\n        if self.theta == 0:\n            return out\n\n        # 中心差分项\n\n        # (C_out, C_in, 1, 1)\n        k_sum = self.conv.weight.sum(dim=(2, 3), keepdim=True)\n        out_diff = F.conv2d(x, k_sum, bias=None,\n                            stride=self.conv.stride,\n                            padding=0,\n                            groups=self.conv.groups)\n\n        return out - self.theta * out_diff\n```\n\n### CDC Networks\n\n过去研究大多都会尝试以「深度图」作为辅助监督信号，通过像素级的对比来强化活体判断。\n\n作者也参考这条思路，搭建了一个以 **DepthNet** 为原型的网络骨干，并将所有卷积替换为 CDC，形成 **Central Difference Convolutional Networks (CDCN)**。\n\n- **网络输入/输出**：\n\n  - 输入：单帧 RGB 人脸图像 (3×256×256)。\n  - 输出：预测的灰度深度图 (32×32)。\n\n- **特征融合**：将低阶、中阶与高阶特征做级联式整合，提升对人脸纹理与空间结构的捕捉能力。\n- **超参数**：实验中默认 $\\theta=0.7$，侧重于差分信号，也保留一定程度的原始强度信息。\n\n损失函数的部分，为了更精细地监督伪装痕迹，作者引入两种损失：\n\n1. **MSE 损失 $L_\\text{MSE}$**：衡量预测深度图与伪深度监督图之间的均方误差。\n2. **对比深度损失 $L_\\text{CDL}$**：辅助捕捉更细微的深度差异，让模型能区分人脸边缘的真实凹凸与印刷造成的假纹。\n\n总体损失如下：\n\n$$\nL_{\\text{overall}} = L_{\\text{MSE}} + L_{\\text{CDL}}.\n$$\n\n### CDCN++\n\n![cdcn++](/content/papers/assets/e1827e81c58123d99fc826a031da494e11fc3f417a5b85e01df25b5c3e63f4dd.jpg)\n\n然而，CDCN 的整体结构仍由人工设计，未必适合所有 FAS 设置。\n\n作者因此结合 **Neural Architecture Search (NAS)**，自动探寻最适合 FAS 的框架，最后形成一个进阶版：**CDCN++**，如上图所示。\n\n以往的 NAS 通常用于图像分类或检测，而这里作者将它引入 **深度监督的 FAS 任务**。通过双层优化 (bi-level optimization)，在训练集与验证集上来回微调权重与架构参数，如下图所示：\n\n\n\n![nas](/content/papers/assets/c0d8dd5cf626f647fc8ccf049f915b6943db7b164757dccee6fe20e82ee9dfcb.jpg)\n\n\n\n整个搜索空间被拆成多个 cell，每个 cell 皆可包含 skip-connect、不同通道比例的 CDC 或 none 等候选操作，并引入 **node attention** 策略以学习中间节点的输出权重。\n\n最终，系统会在给定搜索空间与数据设置下得到适合 FAS 的骨干结构。\n\n### Multiscale Attention Fusion Module\n\n\n\n![mafm](/content/papers/assets/a66dd9247f2ce7aa3d915d5da6384252b307f3a8921ddd99505ebbd92da735a4.jpg)\n\n\n\n即使拥有了 NAS 搜索的骨干，低阶、中阶、高阶特征之间若只是单纯串接，仍可能忽略哪些空间区域更值得关注。\n\n为了解决这个问题，作者导入 **多尺度注意力融合模块 (MAFM)**：\n\n$$\nF'_i = F_i \\;\\odot\\; \\Bigl[\\sigma\\Bigl(C_i\\bigl(\\bigl[\\mathrm{A}(F_i),\\,\\mathrm{M}(F_i)\\bigr]\\bigr)\\Bigr)\\Bigr]\n,\\quad i \\in \\{\\text{low},\\,\\text{mid},\\,\\text{high}\\},\n$$\n\n其中 $\\odot$ 表示 Hadamard 乘法（逐元素相乘），$\\mathrm{A}$ 与 $\\mathrm{M}$ 分别表示沿通道维进行平均池化与最大池化、保留空间维度，$\\sigma$ 为 sigmoid 函数，而 $C_i$ 是低、中、高层分别使用 7×7、5×5、3×3 核的普通卷积。\n\n最终，CDCN++ 结合了 **「差分卷积」＋「NAS 搜索骨干」＋「多尺度注意力融合」**，并以深度监督为驱动，在论文实验中取得了较好的准确率与泛化表现。\n\n## 讨论\n\n作者在六个公开数据集上进行评估，包括高分辨率（OULU-NPU、SiW）与低分辨率（CASIA-MFSD、Replay-Attack、MSU-MFSD），并搭配 SiW-M 进行未知攻击类型的交叉测试。\n\n根据数据集与场景的不同，采用 ACER、HTER、AUC 与 EER 等指标来衡量模型识别性能，以及在未知环境中的泛化能力。\n\n在训练阶段，作者以 PyTorch 为主，Adam 为优化器，以 PRNet 为真实人脸生成并归一化的伪深度图作为监督信号，攻击样本的目标图设为零。这是分类所用的监督目标。模型输出为单帧人脸的深度预测，再取其平均值做最终分类分数。除非特别说明，所有实验均维持 $\\theta=0.7$ 作为 CDC 的默认配置。\n\n### CDC 参数的影响\n\n\n\n![cdc-params](/content/papers/assets/93c4ea8569054c89dcc829740a77e111c7facfca48cbfdd11358f9cec0ac1050.jpg)\n\n\n\n1. **$\\theta$ 的重要性**\n\n   如上图 (a) 所示，$\\theta$ 与模型性能呈非线性关系；$\\theta=0$ 时 ACER 为 3.8%，$\\theta=0.3$ 时为 3.6%，不能说只要增加差分权重就会持续改善。\n\n   在 $\\theta=0.7$ 时表现最佳，ACER 仅 1.0%。这组 OULU-NPU Protocol-1 实验涉及不同光照与场景，支持**适度加权的中心差分**有助于识别细微纹理；此图没有单独测量设备变化。\n\n2. **与其他卷积运算的比较**\n\n   图 (b) 中进一步显示，在同一 Protocol-1 设定下，CDC 的 ACER 为 1.0%，低于 Local Binary Convolution 的 3.2% 与 Gabor Convolution 的 5.3%。LBConv 也比普通卷积的 3.8% 略好，支持在这个防伪任务中使用局部差分信息。\n\n### NAS 与 MAFM 的贡献\n\n\n\n![nas-mafm](/content/papers/assets/32342143c7cff4854a1b0085514569d2444509ca918dcaa8e30a78148a85b7ed.jpg)\n\n\n\n根据实验结果，在 NAS 训练阶段，同时启用 varied cells 及 node attention，测试 ACER 从基线的 1.7% 降至 1.3%。\n\n作者的设计动机是让低、中、高层 cell 分别搜索结构，并在输出端以 node attention 加权中间节点；这组消融支持两项设计在该设定下的效果。\n\n将搜索得到的骨干直接多层级融合，已优于未使用 NAS 的基线，但还是存在改进空间，如下表所示：\n\n\n\n![nas-mafm](/content/papers/assets/ac82800b62b7341b8a611c8830cc52151b818f2f32ce0201d356ba341f6ccc3b.jpg)\n\n\n\n进一步加入使用 7×7、5×5、3×3 普通卷积的 MAFM，ACER 从 0.7% 降至 0.2%，相差 0.5 个百分点；表中改用三个 3×3 CDC 核反而升至 1.2%。\n\n### OULU-NPU 的表现\n\n\n\n![oulu-npu](/content/papers/assets/ebe416bc5e073897f11ae7bccf10490cffa7226f04dc25a1d1b0fea0d0582af5.jpg)\n\n\n\nOULU-NPU 的结果如上表，CDCN++ 在四个 Protocol 中皆取得最低的 ACER（最低 0.2%，最高 5.0%），在 SiW 上也具竞争力，但 Protocol 3 中 CDCN 的 1.71% 略优于 CDCN++ 的 1.90%。\n\n相较于需要多帧动态特征的方法（如 STASN、Auxiliary），CDCN++ 使用单帧输入，在这些比较中达到或超过最佳水平，显示出快速响应的潜力；论文没有单独证明部署延迟。\n\n### 跨数据集的泛化能力\n\n\n\n![cross-dataset](/content/papers/assets/c2e9fe1ab34eda99a4becdc757a332623be27e0367a89e81fa1687e12c55b9a7.jpg)\n\n\n\n本研究在 SiW-M 的 13 种未知攻击类型与跨数据集测试中，CDC 架构有一些较好的结果，但仍取决于测试方向。\n\n在 CASIA-MFSD → Replay-Attack（CR）中，CDCN++ 的 HTER 为 6.5%，比表中先前最佳的 FAS-TD 17.5% 低 11 个百分点；反方向（RC）则为 29.8%，高于 FAS-TD 的 24.0%。\n\n### 分析与可视化\n\n\n\n![analysis](/content/papers/assets/1c697ab1ba4d5df69f5c10b70f8e906df6f0c8e0a489d7584f16c9ef6bb73328.jpg)\n\n\n\n上图为作者在 OULU-NPU Protocol-1 中的实验结果。\n\n普通卷积模型在 development set 的 ACER 较低，到了不同光照与场景的 test set 却明显升高；CDC 模型在两组数据上的差距较小。这张图没有画训练集曲线。\n\n\n\n![tsne](/content/papers/assets/8e707d11f82e55fc0daa78dd34aa20a2ae4548facbc01133fa2f8b060a810a46.jpg)\n\n\n\n作者进一步利用 t-SNE 可视化有无 CDC 的特征分布。图中使用 CDC 后，真人与各种攻击样本在该投影中分得更开；这是定性观察，不能单凭投影量化分类性能。\n\n## 结论\n\n这篇论文的核心假设，是一种颇有代表性的手工设计思路：\n\n> **假象，应该会在局部梯度中留下异常。**\n\n这既是一种设计上的简化，也是一种直觉上的观察。\n\n真实人脸的连续纹理和立体深度，可能使某些重制的伪装在边缘、纹理或反射处留下「差」。\n\nCDC 所做的，不过是将这样的差异提取出来，用一种可控、可解释的方式，嵌入卷积操作本身。从这个角度看，**它是针对 spoof trace 的一种手工设计归纳偏置**，比起后来自动分离潜变因的架构来得原始，但也更明确地表达了方法选择。\n\n这种先辨别有用线索、再进行识别的思路，也会出现在后来的特征分离与跨域泛化研究中；方法各有不同。\n\n而 CDC，就是一个试图描摹「差异形状」的早期工具之一。\n","imageSizes":{"/content/papers/assets/cbccbefcb7f55848eb9be08cb52a2e798cc1e45ce9ed4524ee2bd168e0f2f751.jpg":{"width":1008,"height":392},"/content/papers/assets/e1827e81c58123d99fc826a031da494e11fc3f417a5b85e01df25b5c3e63f4dd.jpg":{"width":1694,"height":330},"/content/papers/assets/c0d8dd5cf626f647fc8ccf049f915b6943db7b164757dccee6fe20e82ee9dfcb.jpg":{"width":980,"height":792},"/content/papers/assets/a66dd9247f2ce7aa3d915d5da6384252b307f3a8921ddd99505ebbd92da735a4.jpg":{"width":1064,"height":504},"/content/papers/assets/93c4ea8569054c89dcc829740a77e111c7facfca48cbfdd11358f9cec0ac1050.jpg":{"width":1052,"height":356},"/content/papers/assets/32342143c7cff4854a1b0085514569d2444509ca918dcaa8e30a78148a85b7ed.jpg":{"width":1224,"height":316},"/content/papers/assets/ac82800b62b7341b8a611c8830cc52151b818f2f32ce0201d356ba341f6ccc3b.jpg":{"width":1216,"height":396},"/content/papers/assets/ebe416bc5e073897f11ae7bccf10490cffa7226f04dc25a1d1b0fea0d0582af5.jpg":{"width":780,"height":1080},"/content/papers/assets/c2e9fe1ab34eda99a4becdc757a332623be27e0367a89e81fa1687e12c55b9a7.jpg":{"width":1132,"height":712},"/content/papers/assets/1c697ab1ba4d5df69f5c10b70f8e906df6f0c8e0a489d7584f16c9ef6bb73328.jpg":{"width":1156,"height":500},"/content/papers/assets/8e707d11f82e55fc0daa78dd34aa20a2ae4548facbc01133fa2f8b060a810a46.jpg":{"width":1224,"height":424}}}
