Radar de investigaciónDetección facialarXivMayo de 2026

Radar mensual de arXiv

Detección facial en mayo de 2026: ataques de presentación, filtros de rostros sintéticos y autenticidad one-class

Al haber pocos trabajos de detector puro, el foco se amplía a las puertas de confianza antes de reconocimiento e identidad.

Lo que señala este mes

El front-end facial se desplaza de localización a decisión de confianza.

Artículo 012026-05-13cs.CV

Aumento de flujo y destilación de conocimiento para detección ligera de ataques de presentación facial

arXiv PDF

Autores e instituciones

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

Qué problema resuelve

El problema central es resolver cuellos de botella de face presentation attack detection, knowledge distillation, edge deployment en detección facial de forma evaluable para despliegue real.

Resultado clave

Los resultados muestran mejoras en precisión, eficiencia, generalización o explicabilidad, reduciendo riesgo de despliegue.

Resumen

Este trabajo aborda «Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection» y estudia face presentation attack detection, knowledge distillation, edge deployment bajo restricciones cercanas a producción. Sus resultados ayudan a evaluar precisión, eficiencia, generalización y fiabilidad.

Punto de partida

La motivación es que face presentation attack detection, knowledge distillation, edge deployment en detección facial afecta privacidad, coste, robustez o experiencia de usuario.

Método

El enfoque de «Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection» combina diseño de modelo, estrategia de entrenamiento u optimización de sistema para acercar la investigación a una capacidad desplegable.

Conclusión del artículo

La contribución práctica es que la detección de ataques de presentación sensible al movimiento ya no necesita pagar todo el coste de inferencia del flujo óptico. Un profesor aumentado con flujo transfiere señales temporales de vivacidad a un estudiante RGB ligero, lo que encaja mejor en quioscos, onboarding móvil y cámaras edge que necesitan protección rápida contra spoofing sin ida y vuelta al servidor.

Artículo 022026-05-11cs.CV

Modelado de decisiones basado en evidencia para detectar rostros sintéticos con aprendizaje activo guiado por incertidumbre

arXiv PDF

Autores e instituciones

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

Qué problema resuelve

El problema central es resolver cuellos de botella de synthetic face detection, uncertainty estimation, active learning en detección facial de forma evaluable para despliegue real.

Resultado clave

Los resultados muestran mejoras en precisión, eficiencia, generalización o explicabilidad, reduciendo riesgo de despliegue.

Resumen

Este trabajo aborda «Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning» y estudia synthetic face detection, uncertainty estimation, active learning bajo restricciones cercanas a producción. Sus resultados ayudan a evaluar precisión, eficiencia, generalización y fiabilidad.

Punto de partida

La motivación es que synthetic face detection, uncertainty estimation, active learning en detección facial afecta privacidad, coste, robustez o experiencia de usuario.

Método

El enfoque de «Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning» combina diseño de modelo, estrategia de entrenamiento u optimización de sistema para acercar la investigación a una capacidad desplegable.

Conclusión del artículo

EMSFD replantea la detección de rostros sintéticos como un proceso de decisión consciente de la incertidumbre, no como una etiqueta binaria simple. Esto importa en moderación, onboarding y flujos de riesgo de identidad, porque los casos de baja confianza pueden enviarse a revisión o etiquetado activo en lugar de devolver predicciones sobreconfiadas ante generadores desconocidos.

Artículo 032026-05-11cs.CV

Entrenar una sola vez: aprendizaje de una clase consciente de la incertidumbre para detectar autenticidad facial

arXiv PDF

Autores e instituciones

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

Qué problema resuelve

El problema central es resolver cuellos de botella de face authenticity detection, one-class learning, evidential deep learning en detección facial de forma evaluable para despliegue real.

Resultado clave

Los resultados muestran mejoras en precisión, eficiencia, generalización o explicabilidad, reduciendo riesgo de despliegue.

Resumen

Este trabajo aborda «Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection» y estudia face authenticity detection, one-class learning, evidential deep learning bajo restricciones cercanas a producción. Sus resultados ayudan a evaluar precisión, eficiencia, generalización y fiabilidad.

Punto de partida

La motivación es que face authenticity detection, one-class learning, evidential deep learning en detección facial afecta privacidad, coste, robustez o experiencia de usuario.

Método

El enfoque de «Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection» combina diseño de modelo, estrategia de entrenamiento u optimización de sistema para acercar la investigación a una capacidad desplegable.

Conclusión del artículo

FADNet es valioso porque ataca la rotación constante de detectores: en lugar de recopilar ejemplos de cada nuevo generador falso, aprende la distribución de rostros auténticos y marca desviaciones fuertes como sospechosas. La capa de incertidumbre y el ajuste de frontera con pseudo-falsificaciones hacen que sea más usable como puerta general de autenticidad para deepfakes y rostros totalmente sintéticos.