ForschungsradarGesichtserkennung/DetectionarXivMai 2026

Monatliches arXiv-Radar

Face Detection im Mai 2026: Presentation Attacks, synthetische Face-Gates und One-Class-Authentizität

Da reine Detector-Arbeiten knapp waren, erweitert der Digest den Blick auf Trust-Gates vor nachgelagerten Identitätsprozessen.

Was dieser Monat zeigt

Die Frontends von Gesichtssystemen verschieben sich von Lokalisierung zu Vertrauensentscheidung.

Paper 012026-05-13cs.CV

Flow-Augmentation und Wissensdestillation für leichtgewichtige Gesicht-Präsentationsangriffserkennung

arXiv PDF

Autoren & Institutionen

Muhammad Shahid Jabbar

SDAIA-KFUPM Joint Research Center for Artificial Intelligence, King Fahd University of Petroleum & Minerals, Dhahran, Saudi Arabia

Muhammad Sohail Ibrahim

Interdisciplinary Research Center for Intelligent Secure Systems (IRC-ISS), King Fahd University of Petroleum & Minerals, Dhahran, Saudi Arabia

Taha Hasan Masood Siddique

College of Information Science & Electronic Engineering, Zhejiang University, Hangzhou, China

Kejie Huang

College of Information Science & Electronic Engineering, Zhejiang University, Hangzhou, China

Shujaat Khan

SDAIA-KFUPM Joint Research Center for Artificial Intelligence, King Fahd University of Petroleum & Minerals, Dhahran, Saudi Arabia

Department of Computer Engineering, College of Computing and Mathematics, King Fahd University of Petroleum & Minerals, Dhahran, Saudi Arabia

Welches Problem es löst

Das Kernproblem ist, Engpässe rund um face presentation attack detection, knowledge distillation, edge deployment in Face Detection so zu adressieren, dass sie auch für Deployment-Entscheidungen bewertbar werden.

Zentrales Ergebnis

Die Ergebnisse zeigen Verbesserungen bei Genauigkeit, Effizienz, Generalisierung oder Erklärbarkeit und reduzieren damit Deployment-Risiken.

Abstract

Diese Arbeit behandelt „Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection“ und untersucht face presentation attack detection, knowledge distillation, edge deployment unter praxisnahen Bedingungen. Die Ergebnisse liefern Hinweise zu Genauigkeit, Effizienz, Generalisierung und Verlässlichkeit.

Ausgangspunkt der Forschung

Die Motivation liegt darin, dass face presentation attack detection, knowledge distillation, edge deployment in Face Detection direkt Datenschutz, Kosten, Robustheit oder Nutzererlebnis beeinflusst.

Methode

Der Ansatz rund um „Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection“ kombiniert Modelldesign, Trainingsstrategie oder Systemoptimierung, um Forschung näher an produktfähige Fähigkeiten zu bringen.

Einordnung

Der praktische Beitrag besteht darin, dass bewegungsbewusste Presentation-Attack-Detection nicht die vollen Inferenzkosten von Optical Flow tragen muss. Ein flow-augmentierter Teacher überträgt zeitliche Liveness-Hinweise auf einen leichten RGB-Studenten, wodurch der Ansatz für Kioske, mobiles Onboarding und Edge-Kameras ohne Server-Roundtrip deutlich realistischer wird.

Paper 022026-05-11cs.CV

Evidenzbasierte Entscheidungsmodellierung zur Erkennung synthetischer Gesichter mit unsicherheitsgetriebenem Active Learning

arXiv PDF

Autoren & Institutionen

Qingchao Jiang

Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science and Technology, Shanghai, China

Zhenxuan Hou

School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China

Zhiying Zhu

School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China

Zhenxing Qian

College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China

Xinpeng Zhang

College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China

Zaiwang Gu

Institute of Advanced Intelligence and Computing, Agency for Science, Technology and Research (A*STAR), Singapore

Welches Problem es löst

Das Kernproblem ist, Engpässe rund um synthetic face detection, uncertainty estimation, active learning in Face Detection so zu adressieren, dass sie auch für Deployment-Entscheidungen bewertbar werden.

Zentrales Ergebnis

Die Ergebnisse zeigen Verbesserungen bei Genauigkeit, Effizienz, Generalisierung oder Erklärbarkeit und reduzieren damit Deployment-Risiken.

Abstract

Diese Arbeit behandelt „Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning“ und untersucht synthetic face detection, uncertainty estimation, active learning unter praxisnahen Bedingungen. Die Ergebnisse liefern Hinweise zu Genauigkeit, Effizienz, Generalisierung und Verlässlichkeit.

Ausgangspunkt der Forschung

Die Motivation liegt darin, dass synthetic face detection, uncertainty estimation, active learning in Face Detection direkt Datenschutz, Kosten, Robustheit oder Nutzererlebnis beeinflusst.

Methode

Der Ansatz rund um „Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning“ kombiniert Modelldesign, Trainingsstrategie oder Systemoptimierung, um Forschung näher an produktfähige Fähigkeiten zu bringen.

Einordnung

EMSFD formuliert die Erkennung synthetischer Gesichter nicht als bloßes Binärlabel, sondern als entscheidungsorientierten Prozess mit Unsicherheit. Das ist für Moderation, Onboarding und Identitätsrisiko-Workflows wichtig, weil niedrig sichere Fälle zur Prüfung oder aktiven Labelung weitergeleitet werden können, statt bei unbekannten Generatoren überkonfidente Vorhersagen auszugeben.

Paper 032026-05-11cs.CV

Nur einmal trainieren: Unsicherheitsbewusstes One-Class-Lernen zur Erkennung der Echtheit von Gesichtern

arXiv PDF

Autoren & Institutionen

Qingchao Jiang

School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China

Zhenxuan Hou

School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China

Zhiying Zhu

School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China

Zhenxing Qian

College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China

Xinpeng Zhang

College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China

Zaiwang Gu

Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR), Singapore

Welches Problem es löst

Das Kernproblem ist, Engpässe rund um face authenticity detection, one-class learning, evidential deep learning in Face Detection so zu adressieren, dass sie auch für Deployment-Entscheidungen bewertbar werden.

Zentrales Ergebnis

Die Ergebnisse zeigen Verbesserungen bei Genauigkeit, Effizienz, Generalisierung oder Erklärbarkeit und reduzieren damit Deployment-Risiken.

Abstract

Diese Arbeit behandelt „Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection“ und untersucht face authenticity detection, one-class learning, evidential deep learning unter praxisnahen Bedingungen. Die Ergebnisse liefern Hinweise zu Genauigkeit, Effizienz, Generalisierung und Verlässlichkeit.

Ausgangspunkt der Forschung

Die Motivation liegt darin, dass face authenticity detection, one-class learning, evidential deep learning in Face Detection direkt Datenschutz, Kosten, Robustheit oder Nutzererlebnis beeinflusst.

Methode

Der Ansatz rund um „Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection“ kombiniert Modelldesign, Trainingsstrategie oder Systemoptimierung, um Forschung näher an produktfähige Fähigkeiten zu bringen.

Einordnung

FADNet ist wertvoll, weil es das ständige Nachziehen von Detektoren adressiert: Statt Beispiele jedes neuen Fake-Generators zu sammeln, lernt es die Verteilung echter Gesichter und behandelt starke Abweichungen als verdächtig. Die Unsicherheitsschicht und die mit Pseudo-Fälschungen geschärfte Grenze machen den Ansatz für Teams nutzbar, die ein breites Echtheits-Gate für Deepfakes und vollständig synthetische Gesichter brauchen.