← Retour au Blog
Radar de rechercheDétection facialeDétection des attaques de présentationarXivAoût 2026

Radar arXiv mensuel

Articles sur la détection faciale d’août 2026 : repères dynamiques, anti-usurpation sans visages et modèles de fondation

La pile de détection de visages s’élargit d’une boîte englobante fixe à une géométrie configurable et une capture fiable. Les articles de ce mois-ci unifient des modèles de points de repère incompatibles, demandent si les artefacts d’impression/replay peuvent être appris entièrement à partir d’objets non faciaux, et testent trente encodeurs de vision ainsi que seize modèles multimodaux à travers des ensembles de données de présentation et d’attaque morph.

Ce que révèle ce mois-ci

Unified Dynamic FLD remplace les têtes de repère spécifiques au modèle par des requêtes sémantiques de contours et peut renvoyer une disposition demandée à l’exécution. TPO remet en question une hypothèse encore plus profonde en montrant que les preuves d’impression et de relecture apprises des légumes transfèrent fortement pour lutter contre l’usurpation, rendant plausibles les données complémentaires soucieuses de la confidentialité. L’étude du modèle de fondation fournit la condition aux limites : un préentraînement général aide, mais les indications MLLM zéro coup restent faibles et PAD nécessite généralement une adaptation par encodeur visuel. La direction pratique est un service de géométrie consolidé soutenu par une sécurité explicite de capture inter-domaines plutôt qu’une collection de modèles spécifiques à chaque ensemble de données.

Article 012026-08-11cs.CV

Vers une détection unifiée dynamique des repères faciaux

arXivPDF

Auteurs & institutions

Sebastian Regalado

University of Toronto, Canada

ModiFace, Canada

Varshanth R. Rao

ModiFace, Canada

Ruowei Jiang

ModiFace, Canada

Parham Aarabi

University of Toronto, Canada

Igor Gilitschenski

University of Toronto, Canada

Problème traité

L'article définit un système de coordonnées sémantique commun pour des dispositions de points de repère hétérogènes et l'utilise pour entraîner un détecteur unique sur plusieurs ensembles de données. Lors de l'inférence, le même réseau peut répondre à une collection arbitraire de requêtes de points de repère, y compris des points non explicitement demandés lors de son entraînement sur l'ensemble de données source.

Résultat clé

Le modèle ViT-B unifié avec adaptateurs enregistre 4,02 NME et un taux d'échec de 2,19 % sur WFLW, 2,43/4,19 NME sur les divisions communes/challenge de 300W, et 2,76 NME sur AFLW-19 tout en supportant l'entraînement fusionné et la sortie dynamique. Lorsqu'il est entraîné uniquement sur 300W, il atteint 6,08 NME sur le test de transfert difficile WFLW68, contre 7,23 pour DTLD et 8,09 pour PIPNet. Sur les points de repère natifs mis de côté, les requêtes apprises améliorent l'interpolation par spline de 19,0 % sur 300W et de 15,7-16,3 % sur les divisions WFLW, indiquant que le modèle apprend des sémantiques de contour réutilisables plutôt que de mémoriser uniquement des indices fixes.

Résumé

Bien que les avancées dans les méthodes de détection des points de repère faciaux (FLD) continuent de repousser les limites de performance, elles négligent deux limitations fonctionnelles majeures : (1) différents paramètres réseau doivent être entraînés indépendamment pour chaque jeu de données de référence « $N point $ », et (2) un modèle entraîné sur un jeu de données « $N$ point » ne produit de manière fiable que les repères $N$. Dans notre travail, nous conceptualisons d’abord les positions de points de repère ancrées par partie de face (FPALP), où chaque point de repère est traité comme une valeur de progression entre zéro (début) et un (extrémité) le long du contour d’une partie de face. Chaque point de repère peut être exprimé au format FPALP, indépendamment de son jeu de données source, libérant ainsi la possibilité d’unifier tous les jeux de données « $N point $ » en un seul ensemble de données. Deuxièmement, nous représentons chaque point de repère avec une requête basée sur FPALP, la peaufinons progressivement avec un décodeur intermodal, et prédisons ses coordonnées à partir de la représentation finale. Notre approche, appelée Unified Dynamic FLD, incarne ces deux choix de conception et simplifie la chaîne de détection de points de repère en permettant (1) à un seul modèle d’apprendre sur un nombre quelconque de jeux de données « $N point $ », et (2) de produire un certain nombre de prédictions spécifiques en chargeant les requêtes de référence désignées à l’exécution. Des expériences approfondies sur plusieurs ensembles de données de référence montrent que notre méthode offre ces avantages tout en restant compétitive et dans plusieurs cas surpassant les méthodes de pointe existantes.

Point de départ de la recherche

Les ensembles de données de points de repère faciaux ne sont pas d'accord sur le nombre exact de points annotés sur un visage, celui-ci pouvant être de 19, 68, 98 ou un autre nombre. Les modèles conventionnels lient leur tête de régression à un seul modèle, obligeant les équipes à entraîner et à maintenir des paramètres séparés pour chaque ensemble de données et empêchant un modèle déployé de retourner un nouveau sous-ensemble ou une disposition plus dense sur demande. Cette fragmentation est coûteuse pour les pipelines d'alignement, de reconstruction, de maquillage et d'expression qui utilisent différentes conventions de points de repère.

Méthode

Chaque point de repère devient une Position de Point de Repère Ancrée à une Partie du Visage (FPALP) : une progression normalisée de zéro à un le long d'un contour sémantique tel qu'un sourcil, un œil, un nez, une bouche ou la limite du visage. Les modèles d'ensembles de données sont alignés dans cet espace de contour, et chaque point demandé est codé en tant que requête FPALP. Un décodeur cross-modal combine progressivement les jetons d'image et les requêtes avant de régressuer les coordonnées. Le modèle ViT-B est entraîné conjointement sur AFLW-19, 300W et WFLW ; des adaptateurs légers optionnels pour chaque ensemble de données récupèrent les décalages d'annotation systématiques sans abandonner la base unifiée ou la configuration de sortie configurable à l'exécution.

À retenir

Un service unique de points de repère piloté par requête peut remplacer plusieurs modèles spécifiques à un modèle tout en conservant une précision compétitive. L'approche est particulièrement attractive lorsque les produits nécessitent plusieurs formats d'alignement ou prévoient d'ajouter de nouvelles définitions de points de repère, bien que les équipes devraient toujours tester les adaptateurs de décalage d'annotation pour chaque ensemble de données de production.

Article 022026-08-20cs.CV

Tomates, Pommes de Terre et Oignons : Remettre en Question la Nécessité des Visages dans la Détection d'Attaques par Présentation Faciale

arXivPDF

Auteurs & institutions

Guray Ozgur

Fraunhofer Institute for Computer Graphics Research IGD, Germany

Department of Computer Science, Technical University of Darmstadt, Germany

Fadi Boutros

Fraunhofer Institute for Computer Graphics Research IGD, Germany

Naser Damer

Fraunhofer Institute for Computer Graphics Research IGD, Germany

Department of Computer Science, Technical University of Darmstadt, Germany

Problème traité

Le travail isole les indices liés au processus de présentation des sémantiques faciales à partir d'un jeu de données contrôlé sans visage et se demande si ces indices se transfèrent aux benchmarks PAD standard du visage. Il teste également si le remplacement de certains échantillons de visages par des attaques sans visage ajoute des informations dans le cadre d'un budget d'entraînement fixe plutôt que de simplement augmenter la taille du jeu de données.

Résultat clé

L’entraînement sur des légumes seul atteint 92,70 % d’AUC moyen et 14,15 % HTER sur les quatre benchmarks face à 14,15 %, contre 81,02 % pour l’entraînement face synthétique et 67,81 % pour le contrôle initialisé par ImageNet. Remplacer une partie d’un budget facial fixe à source unique par TPO augmente l’AUC moyen inter-ensemble de données de 89,33 % à 92,55 % et réduit le HTER de 17,54 % à 13,97 % ; dans l’entraînement multi-sources, l’AUC passe de 92,11 % à 96,96 % et le HTER passe de 14,72 % à 7,84 %. La diversité des attaques compte plus que les images redondantes : utiliser seulement 10 % des images TPO donne encore 92,97 % d’AUC, tandis que l’entraînement uniquement imprimé ou en relecture seule chute à 86,14 % et 83,97 %.

Résumé

La détection d’attaque par présentation faciale (PAD) est traditionnellement formulée comme un problème spécifique à chaque visage, bien que de nombreux artefacts visuels introduits par les processus d’impression, de relecture et de recapture ne soient pas intrinsèquement liés à l’apparence faciale. Dans ce travail, nous étudions si les représentations PAD transférables peuvent être apprises sans utiliser de visages lors de l’entraînement PAD en aval. À cette fin, nous introduisons TPO, un jeu de données contrôlé sans visage composé d’enregistrements de véritables enregistrements imprimés et rejoués, presque choisis au hasard, de tomates, pommes de terre et d’oignons acquis selon des protocoles qui reflètent étroitement les ensembles de données PAD faciales conventionnels. En utilisant une architecture PAD basée sur un modèle de base, nous démontrons qu’un détecteur entraîné sur TPO atteint un AUC moyen de 92,70 % sur quatre benchmarks standards cross-dataset face PAD, surpassant l’entraînement sur des visages synthétiques et restant compétitif avec les modèles entraînés sur des jeux de données faciales réels. Inversement, les modèles entraînés sur des jeux de données face PAD transfèrent de manière cohérente au-dessus du hasard vers le TPO, suggérant que les représentations apprises capturent les caractéristiques du processus de présentation plutôt que la sémantique des objets. De plus, intégrer le TPO dans l’entraînement conventionnel des PAD faciales améliore systématiquement la performance inter-jeux de données sous des budgets d’optimisation fixes, indiquant que les données sans visage fournissent des informations complémentaires plutôt que de simples échantillons d’entraînement supplémentaires. Enfin, les analyses de représentation et de fréquence fournissent une preuve supplémentaire que les représentations PAD transférables ne peuvent pas être expliquées par un seul artefact spectral, mais codent plutôt des indices de présentation plus riches partagés entre catégories d’objets. Ensemble, ces résultats fournissent des preuves empiriques que les représentations d’attaque de présentation transférables peuvent être apprises indépendamment du contenu facial, ouvrant de nouvelles opportunités pour le développement de PAD préservant la confidentialité et indépendants de l’identité.

Point de départ de la recherche

Les attaques d’impression et de relecture introduisent des motifs moiré, des sous-pixels d’affichage, la texture du papier, des décalages gamma, des reflets et du bruit de recapture qui sont des propriétés de l’instrument de présentation plutôt que de l’identité représentée. Pourtant, la recherche anti-usurpation collecte presque toujours davantage de visages humains, augmentant le consentement et les préoccupations démographiques tout en encourageant les détecteurs à absorber les raccourcis faciaux ou de jeux de données. Les auteurs testent l’hypothèse délibérément forte selon laquelle les preuves d’attaque transférables peuvent être apprises sans visages du tout.

Méthode

TPO contient 12 480 présentations authentiques, imprimées et en lecture de tomates, pommes de terre et oignons capturées selon des protocoles modélisés sur des ensembles de données PAD faciaux. Un modèle CLIP ViT-B/16 FoundPAD est adapté avec LoRA en utilisant uniquement TPO, puis évalué sur MSU-MFSD, CASIA-FASD, Replay-Attack et OULU-NPU. Les contrôles incluent CLIP en zéro-shot, un modèle initialisé sur ImageNet correspondant à l'architecture, SynthASpoof, un entraînement sur des visages réels à source unique et multiple, un transfert inverse depuis des ensembles de données faciales vers TPO, des expériences de remplacement à budget fixe, une analyse de fréquence et des ablations selon la classe d'objet, le type d'attaque et le nombre de frames.

À retenir

Pour l’anti-usurpation d’impression/relecture, la diversité réaliste de la recapture peut compter davantage que de collecter un autre ensemble d’identités. Les données complémentaires sans visage offrent un moyen soucieux de la vie privée d’améliorer le transfert entre capteurs, mais les preuves s’appliquent aux procédés testés d’impression et d’affichage et ne doivent pas être généralisées automatiquement aux masques ou aux attaques physiques novatrices.

Article 032026-08-30cs.CV

Modèles de Base et Multimodaux de Grand Langage pour la présentation des visages et la détection des attaques morphographiques

arXivPDF

Auteurs & institutions

Hatef Otroshi Shahreza

Idiap Research Institute, Switzerland

Asif Hussain Khan

Idiap Research Institute, Switzerland

Peter Lorenz

Idiap Research Institute, Switzerland

Alain Komaty

Idiap Research Institute, Switzerland

Sébastien Marcel

Idiap Research Institute, Switzerland

University of Lausanne, Switzerland

Problème traité

Cette étude propose une comparaison unique et large des stratégies d’accès pour la détection d’attaque par présentation faciale et la détection d’attaque morph. Elle distingue la valeur des sorties langage zéro-shot, des logits de sortie, des caractéristiques visuelles figées, de l’ajustement MLLM spécifique à la tâche et de l’adaptation LoRA, au lieu d’attribuer tous les gains à une étiquette générique de modèle de fondation.

Résultat clé

L’incitation standard n’est pas un détecteur crédible : les meilleures moyennes zéro shot sont 31,1 % ACER pour la PAD et 19,4 % pour la MAD. Un encodeur gelé et une tête linéaire améliorent ces chiffres à 24,4 % et 5,0 % ; les PADLLM et MADLLM spécifiques à la tâche atteignent 13,6 % et 2,9 % lors de la production d’explications. Les meilleurs encodeurs adaptés à la LoRA atteignent une moyenne d’ACER de 14,9 % pour la PAD contre 17,3 % pour le spécialiste le plus cité, et 3,7 % pour la MAD contre 11,3 %. La MAD se transfère plus facilement que la PAD : la meilleure ACER inter-ensemble de données est de 4,9 % contre 19,8 %, et l’objectif de préentraînement prédit un transfert mieux que le nombre de paramètres.

Résumé

Les systèmes de reconnaissance faciale sont de plus en plus déployés dans des applications critiques en matière de sécurité, mais restent vulnérables aux attaques de présentation et de morphation. La détection d’attaque par présentation (PAD) et la détection d’attaque par morphing (MAD) sont donc des composants essentiels d’une biométrie faciale fiable. Malgré les avancées dans les méthodes PAD et MAD, les détecteurs existants souffrent d’une généralisation limitée et se dégradent dans l’évaluation croisée des ensembles de données. Dans cet article, nous étudions systématiquement si les modèles de fondation (FM) généralistes et les grands modèles de langage multimodaux (MLLM) codent des informations pertinentes pour les PAD et les MAD, et comment ces modèles peuvent être au mieux déployés pour ces deux tâches. Nous étudions cinq approches avec un accès croissant aux informations internes du modèle : (i) le scat-shot prompting des MLLM prêtes à l’emploi ; (ii) l’entraînement d’un modèle peu profond sur les probabilités logitaires du token suivant à la sortie du MLLM ; (iii) ajustement fin paramétrique des données de questions-réponses spécifiques à la tâche, donnant deux MLLM spécialisés, appelés PADLLM et MADLLM, qui fournissent en outre un raisonnement textuel pour leurs décisions ; (iv) sondage linéaire des encodeurs de vision figée ; et (v) ajustement fin des encodeurs de vision des FM et MLLM. Nous comparons 16 MLLM à poids ouvert et 30 backspines d’encodeurs de vision sur quatre ensembles de données PAD (MSU-MFSD, CASIA-FASD, Replay-Attack et OULU-NPU) et quatre ensembles MAD (FFHQ, FRGC, FRLL et FERET). Nos expériences montrent que les FM et les MLLM peuvent atteindre des performances significatives pour PAD et MAD. De plus, les modèles affinés atteignent des performances de détection de pointe dans l’évaluation cross-dataset, indiquant que les représentations pré-entraînées à usage général contiennent d’importantes informations d’attaque. Le code source de toutes nos expériences sera rendu public.

Point de départ de la recherche

Les modèles de vision polyvalente et multimodaux peuvent déjà encoder des indices de texture, de géométrie et de sémantiques utiles pour les attaques de présentation et de morphologie, mais la taille du modèle seule ne révèle pas comment extraire ces preuves. Les équipes de sécurité doivent savoir si une invite prête à l’emploi est suffisante, si les explications nécessitent un MLLM spécialisé, et quand l’encodeur visuel lui-même doit être adapté pour survivre aux décalages de capteurs et d’attaques inter-ensembles de données.

Méthode

Seize MLLM à poids ouvert et trente encodeurs de vision sont évalués sur quatre jeux de données PAD (MSU-MFSD, CASIA-FASD, Replay-Attack, OULU-NPU) et quatre ensembles de données MAD (FFHQ, FRGC, FRLL, FERET). Cinq modes de déploiement exposent progressivement davantage de chaque modèle : le zero-shot prompting, un classificateur peu profond au-dessus des probabilités next-token, un réglage de questions-réponses efficace en paramètre dans PADLLM ou MADLLM avec raisonnement textuel, un sondage linéaire des encodeurs de vision figée, et une adaptation LoRA des encodeurs. Les seuils EER définis par le développement sont appliqués à la fois dans les tests ACER intra- et inter-jeux de données.

À retenir

Ne déployez pas un MLLM sollicité comme détecteur d’attaque biométrique. Les caractéristiques visuales figées constituent une base de référence utile, mais le PAD nécessite généralement une adaptation par encodeur, tandis qu’un MLLM réglé est précieux lorsqu’un raisonnement lisible par l’humain est nécessaire ; le choix du modèle doit être validé séparément pour la présentation et les attaques morph.