← Retour au Blog
Radar de rechercheReconnaissance facialearXivAvril 2026

Radar arXiv mensuel

Reconnaissance faciale en avril 2026 : matching chiffré, caméras événementielles et inférence mobile

En avril 2026, la recherche en reconnaissance faciale s’est davantage concentrée sur les contraintes de déploiement que sur les seuls scores de benchmark. Les meilleurs travaux protègent les gabarits biométriques pendant la recherche, élargissent les capteurs au-delà du RGB et poussent la qualité de reconnaissance vers le mobile sans dépasser les budgets de latence.

Ce que révèle ce mois-ci

Le stack de reconnaissance faciale devient plus opérationnel. La différenciation se déplace vers le déploiement sécurisé, la robustesse hors RGB et les gains pratiques de latence et d’efficacité.

Article 012026-04-01cs.CV

Reconnaissance faciale chiffrée légère et pratique avec prise en charge GPU

arXivPDF

Auteurs & institutions

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

Problème traité

Le problème central est de traiter les blocages liés à encrypted face recognition, privacy-preserving biometrics, homomorphic encryption dans reconnaissance faciale, afin que la solution soit évaluable par les équipes achat, conformité et engineering, pas seulement par un benchmark.

Résultat clé

Les résultats mettent en avant des gains de précision, d’efficacité, de robustesse ou de généralisation. Pour un acheteur technique, l’enjeu est de réduire le risque de déploiement et d’élargir les cas d’usage.

Résumé

L’article étudie la recherche de similarité chiffrée pour la reconnaissance faciale client-serveur, où les embeddings sont des données biométriques sensibles. Il propose un algorithme diagonal Baby-Step/Giant-Step et des noyaux CKKS optimisés GPU qui réduisent la mémoire et accélèrent le matching homomorphe, rendant les workflows d’identification privée plus pratiques.

Point de départ de la recherche

La motivation vient du passage de reconnaissance faciale des benchmarks de laboratoire vers des systèmes réels, où encrypted face recognition, privacy-preserving biometrics, homomorphic encryption influence directement confidentialité, coût, stabilité ou expérience utilisateur.

Méthode

L’approche de « Lightweight, Practical Encrypted Face Recognition with GPU Support » combine architecture, stratégie d’apprentissage ou optimisation système autour de encrypted face recognition, privacy-preserving biometrics, homomorphic encryption. Elle rapproche la recherche d’une capacité réellement déployable.

À retenir

En résumé, ce papier montre qu’en avril 2026 encrypted face recognition, privacy-preserving biometrics, homomorphic encryption devient une variable clé pour productiser et évaluer reconnaissance faciale.

Article 022026-04-08cs.CV

EventFace : reconnaissance faciale événementielle par modélisation spatio-temporelle guidée par la structure

arXivPDF

Auteurs & institutions

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

Problème traité

Le problème central est de traiter les blocages liés à event-based face recognition, low-light biometrics, spatiotemporal modeling dans reconnaissance faciale, afin que la solution soit évaluable par les équipes achat, conformité et engineering, pas seulement par un benchmark.

Résultat clé

Les résultats mettent en avant des gains de précision, d’efficacité, de robustesse ou de généralisation. Pour un acheteur technique, l’enjeu est de réduire le risque de déploiement et d’élargir les cas d’usage.

Résumé

EventFace explore la reconnaissance d’identité à partir de flux de caméras événementielles, des signaux clairsemés centrés sur le mouvement et très différents des images RGB. L’article introduit le jeu EFace et un modèle spatio-temporel guidé par la structure, qui transfère le savoir des modèles faciaux RGB tout en modélisant les prompts de mouvement et la modulation temporelle.

Point de départ de la recherche

La motivation vient du passage de reconnaissance faciale des benchmarks de laboratoire vers des systèmes réels, où event-based face recognition, low-light biometrics, spatiotemporal modeling influence directement confidentialité, coût, stabilité ou expérience utilisateur.

Méthode

L’approche de « EventFace: Event-Based Face Recognition via Structure-Driven Spatiotemporal Modeling » combine architecture, stratégie d’apprentissage ou optimisation système autour de event-based face recognition, low-light biometrics, spatiotemporal modeling. Elle rapproche la recherche d’une capacité réellement déployable.

À retenir

En résumé, ce papier montre qu’en avril 2026 event-based face recognition, low-light biometrics, spatiotemporal modeling devient une variable clé pour productiser et évaluer reconnaissance faciale.

Article 032026-04-11cs.CV

FaceLiVTv2 : architecture hybride améliorée pour une reconnaissance faciale mobile efficace

arXivPDF

Auteurs & institutions

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

Problème traité

Le problème central est de traiter les blocages liés à mobile face recognition, lightweight transformer, edge biometrics dans reconnaissance faciale, afin que la solution soit évaluable par les équipes achat, conformité et engineering, pas seulement par un benchmark.

Résultat clé

Les résultats mettent en avant des gains de précision, d’efficacité, de robustesse ou de généralisation. Pour un acheteur technique, l’enjeu est de réduire le risque de déploiement et d’élargir les cas d’usage.

Résumé

FaceLiVTv2 vise la reconnaissance faciale mobile avec une interaction global-local plus légère. Il remplace des blocs d’attention lourds par Lite MHLA et intègre ce module dans un bloc RepMix unifié, améliorant le compromis latence-précision sur les benchmarks faciaux et les tests matériels mobiles.

Point de départ de la recherche

La motivation vient du passage de reconnaissance faciale des benchmarks de laboratoire vers des systèmes réels, où mobile face recognition, lightweight transformer, edge biometrics influence directement confidentialité, coût, stabilité ou expérience utilisateur.

Méthode

L’approche de « FaceLiVTv2: An Improved Hybrid Architecture for Efficient Mobile Face Recognition » combine architecture, stratégie d’apprentissage ou optimisation système autour de mobile face recognition, lightweight transformer, edge biometrics. Elle rapproche la recherche d’une capacité réellement déployable.

À retenir

En résumé, ce papier montre qu’en avril 2026 mobile face recognition, lightweight transformer, edge biometrics devient une variable clé pour productiser et évaluer reconnaissance faciale.