CSDG-FAS：用于人脸活体检测的闭空间域泛化

基于摘要分析。该研究面向未见域中的人脸活体检测（Face Anti-spoofing，FAS），针对伪造人脸多样性使统一判别空间难以建立的问题，将域泛化 FAS 重新表述为异常检测：使真实人脸聚集于紧致的闭空间，同时允许伪造人脸分散于开放空间。 作者提出 Closed Space Domain Generalization（CSDG）框架，包含 Dynamic Feature Queue 和 Domain Alignment Module。前者通过持续扩大真实人脸类中心与动态变化的伪造人脸队列之间的分离，维持真实类的明确中心；后者进一步对齐不同域中的真实人脸分布。此外，Progressive Training Strategy 用于在训练阶段挖掘多个域中的困难样本。其核心区别是非对称处理真实类与伪造类，而非要求所有类别共同进入统一的跨域对齐空间。摘要未给出具体损失形式、队列更新规则及网络结构。 作者报告，该方法获得 Challenge@CVPR 2023 的 Surveillance Face Anti-Spoofing 赛道第一名，并在两个域内数据集及两项跨域 FAS 实验中展示有效性。摘要未提供数据集名称、划分、对照方法或具体指标，实验协议、消融及统计信息尚未验证；竞赛名次也不能替代对跨域泛化效果的具体核查。 平台推测（待验证）：其潜在可迁移点是“稳定目标类紧致对齐、异质异常类保持分散”的学习机制，而非人脸特征本身。假设 EEG 任务存在可定义的稳定目标状态，并有跨被试或跨会话来源标签及多样异常样本，可尝试复用动态队列和目标类对齐机制，但需替换信号编码器并重新定义类别与域。低信噪比、被试差异及通道变化可能使目标状态本身呈多峰分布，强行紧致化可能损害判别能力，小数据也可能使队列代表性不足。一个可检验的小实验是在固定 EEG 编码器与跨被试划分下，对比全类别对齐、仅目标类对齐及加入动态队列，检查目标类对齐是否提高未见被试表现。已有 EEG 相关工作尚未检索确认；这不是已证实的 BCI 效果。