ForschungsradarGesichtserkennungarXivApril 2026

Monatliches arXiv-Radar

Gesichtserkennung im April 2026: verschlüsseltes Matching, Event-Kameras und mobile Inferenz

Die Forschung zur Gesichtserkennung im April 2026 rückte stärker in Richtung Deployment-Anforderungen als in Richtung reiner Benchmark-Kosmetik. Die wichtigsten Arbeiten schützen biometrische Templates während der Suche, erweitern die Sensorik über RGB-Kameras hinaus und bringen Erkennungsqualität auf mobile Hardware, ohne Latenzbudgets zu sprengen.

Was dieser Monat zeigt

Der Gesichtserkennungs-Stack wird operativer. Differenzierung entsteht stärker durch sichere Bereitstellung, Robustheit jenseits von RGB und praktikable Latenz-Effizienz-Gewinne als durch marginale Benchmark-Steigerungen.

Paper 012026-04-01cs.CV

Leichtgewichtige, praxistaugliche verschlüsselte Gesichtserkennung mit GPU-Unterstützung

arXiv PDF

Autoren & Institutionen

Gabrielle De Micheli

Advanced Security Team, LG Electronics, USA

Syed Mahbub Hafiz

Advanced Security Team, LG Electronics, USA

Geovandro Pereira

Advanced Security Team, LG Electronics, USA

Eduardo L. Cominetti

Advanced Security Team, LG Electronics, USA

Thales B. Paiva

Advanced Security Team, LG Electronics, USA

Universidade de São Paulo, São Paulo, Brazil

Jina Choi

Next-Generation Computing Research Lab, CTO Division, LG Electronics, South Korea

Marcos A. Simplicio Jr

Universidade de São Paulo, São Paulo, Brazil

Bahattin Yildiz

Advanced Security Team, LG Electronics, USA

Welches Problem es löst

Das Kernproblem ist, Engpässe rund um encrypted face recognition, privacy-preserving biometrics, homomorphic encryption in Gesichtserkennung so zu adressieren, dass die Lösung nicht nur akademisch, sondern auch für Einkauf, Compliance und Engineering bewertbar wird.

Zentrales Ergebnis

Die Ergebnisse betonen Verbesserungen bei Genauigkeit, Effizienz, Robustheit oder Generalisierung. Für Käufer zählt vor allem, ob diese Verbesserungen Deployment-Risiken senken und den Einsatzbereich erweitern.

Abstract

Die Arbeit untersucht verschlüsselte Ähnlichkeitssuche für Gesichtserkennung in Client-Server-Szenarien, in denen Embeddings sensible biometrische Daten sind. Ein Baby-Step/Giant-Step-Diagonalalgorithmus und GPU-optimierte CKKS-Kernel senken den Speicherbedarf und beschleunigen homomorphes Matching, sodass private Identifikationsabläufe praktischer werden.

Ausgangspunkt der Forschung

Die Motivation liegt darin, dass Gesichtserkennung von Laborbenchmarks in reale Systeme wandert und encrypted face recognition, privacy-preserving biometrics, homomorphic encryption direkt Datenschutz, Kosten, Stabilität oder Nutzererlebnis beeinflusst.

Methode

Der Ansatz rund um „Lightweight, Practical Encrypted Face Recognition with GPU Support“ kombiniert technische Architektur, Trainingsstrategie oder Systemoptimierung für encrypted face recognition, privacy-preserving biometrics, homomorphic encryption. Dadurch wird Forschung näher an produktfähige Fähigkeiten gebracht.

Einordnung

Kurz gesagt: Dieses Paper zeigt für Gesichtserkennung im April 2026, dass encrypted face recognition, privacy-preserving biometrics, homomorphic encryption zu zentralen Variablen für Produktisierung und Enterprise-Bewertung werden.

Paper 022026-04-08cs.CV

EventFace: Ereignisbasierte Gesichtserkennung durch strukturgetriebene raumzeitliche Modellierung

arXiv PDF

Autoren & Institutionen

Qingguo Meng

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Xingbo Dong

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Zhe Jin

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Massimo Tistarelli

Computer Vision Laboratory, University of Sassari, Sassari, Italy

Welches Problem es löst

Das Kernproblem ist, Engpässe rund um event-based face recognition, low-light biometrics, spatiotemporal modeling in Gesichtserkennung so zu adressieren, dass die Lösung nicht nur akademisch, sondern auch für Einkauf, Compliance und Engineering bewertbar wird.

Zentrales Ergebnis

Abstract

EventFace untersucht Identitätserkennung aus Event-Kamera-Streams, also spärlichen, bewegungszentrierten Signalen, die sich stark von RGB-Bildern unterscheiden. Die Arbeit führt den EFace-Datensatz und ein strukturgetriebenes raumzeitliches Modell ein, das Wissen aus RGB-Gesichtsmodellen überträgt und Bewegungs-Prompts sowie temporale Modulation explizit modelliert.

Ausgangspunkt der Forschung

Die Motivation liegt darin, dass Gesichtserkennung von Laborbenchmarks in reale Systeme wandert und event-based face recognition, low-light biometrics, spatiotemporal modeling direkt Datenschutz, Kosten, Stabilität oder Nutzererlebnis beeinflusst.

Methode

Der Ansatz rund um „EventFace: Event-Based Face Recognition via Structure-Driven Spatiotemporal Modeling“ kombiniert technische Architektur, Trainingsstrategie oder Systemoptimierung für event-based face recognition, low-light biometrics, spatiotemporal modeling. Dadurch wird Forschung näher an produktfähige Fähigkeiten gebracht.

Einordnung

Kurz gesagt: Dieses Paper zeigt für Gesichtserkennung im April 2026, dass event-based face recognition, low-light biometrics, spatiotemporal modeling zu zentralen Variablen für Produktisierung und Enterprise-Bewertung werden.

Paper 032026-04-11cs.CV

FaceLiVTv2: Eine verbesserte Hybridarchitektur für effiziente mobile Gesichtserkennung

arXiv PDF

Autoren & Institutionen

Novendra Setyawan

Department of Electro-Optics Engineering, National Formosa University, Taiwan

Department of Electrical Engineering, University of Muhammadiyah Malang, Indonesia

Chi-Chia Sun

Department of Electrical Engineering, National Taipei University, Taiwan

Mao-Hsiu Hsu

Department of Electro-Optics, National Formosa University, Taiwan

Wen-Kai Kuo

Department of Electro-Optics, National Formosa University, Taiwan

Jun-Wei Hsieh

College of Artificial Intelligence and Green Energy, National Yang Ming Chiao Tung University, Taiwan

Welches Problem es löst

Das Kernproblem ist, Engpässe rund um mobile face recognition, lightweight transformer, edge biometrics in Gesichtserkennung so zu adressieren, dass die Lösung nicht nur akademisch, sondern auch für Einkauf, Compliance und Engineering bewertbar wird.

Zentrales Ergebnis

Abstract

FaceLiVTv2 zielt mit einem leichteren global-lokalen Interaktionsdesign auf mobile Gesichtserkennung. Es ersetzt schwerere Attention-Blöcke durch Lite MHLA und integriert das Modul in einen einheitlichen RepMix-Block, wodurch sich der Latenz-Genauigkeits-Kompromiss auf gängigen Face-Benchmarks und mobiler Hardware verbessert.

Ausgangspunkt der Forschung

Die Motivation liegt darin, dass Gesichtserkennung von Laborbenchmarks in reale Systeme wandert und mobile face recognition, lightweight transformer, edge biometrics direkt Datenschutz, Kosten, Stabilität oder Nutzererlebnis beeinflusst.

Methode

Der Ansatz rund um „FaceLiVTv2: An Improved Hybrid Architecture for Efficient Mobile Face Recognition“ kombiniert technische Architektur, Trainingsstrategie oder Systemoptimierung für mobile face recognition, lightweight transformer, edge biometrics. Dadurch wird Forschung näher an produktfähige Fähigkeiten gebracht.

Einordnung

Kurz gesagt: Dieses Paper zeigt für Gesichtserkennung im April 2026, dass mobile face recognition, lightweight transformer, edge biometrics zu zentralen Variablen für Produktisierung und Enterprise-Bewertung werden.