Radar de rechercheDétection facialearXivMai 2026

Radar arXiv mensuel

Détection faciale en mai 2026 : attaques de présentation, filtres de visages synthétiques et authenticité one-class

Les articles de détection pure étant rares, le digest élargit l’angle aux portes de confiance avant reconnaissance et identité.

Ce que révèle ce mois-ci

Le front-end des systèmes faciaux passe de la localisation à la décision de confiance.

Article 012026-05-13cs.CV

Augmentation de flux et distillation de connaissances pour une détection légère des attaques de présentation faciale

arXiv PDF

Auteurs & institutions

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

Problème traité

Le problème central est de traiter les blocages liés à face presentation attack detection, knowledge distillation, edge deployment dans détection faciale d’une manière utile pour le déploiement.

Résultat clé

Les résultats mettent en avant des gains de précision, d’efficacité, de généralisation ou d’explicabilité, ce qui réduit le risque de déploiement.

Résumé

Ce travail porte sur « Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection » et étudie face presentation attack detection, knowledge distillation, edge deployment avec des contraintes proches du déploiement. Les résultats éclairent précision, efficacité, généralisation et fiabilité.

Point de départ de la recherche

La motivation vient du fait que face presentation attack detection, knowledge distillation, edge deployment dans détection faciale influence confidentialité, coût, robustesse ou expérience utilisateur.

Méthode

L’approche de « Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection » combine conception de modèle, stratégie d’apprentissage ou optimisation système pour rapprocher la recherche d’une capacité déployable.

À retenir

L’apport pratique est que la détection d’attaques de présentation sensible au mouvement n’a plus besoin de payer tout le coût d’inférence du flux optique. Un teacher enrichi par le flux transfère les indices temporels de vivacité vers un student RGB léger, ce qui rend l’approche plus réaliste pour les kiosques, l’onboarding mobile et les caméras edge sans aller-retour serveur.

Article 022026-05-11cs.CV

Modélisation décisionnelle fondée sur les preuves pour détecter les visages synthétiques avec apprentissage actif guidé par l’incertitude

arXiv PDF

Auteurs & institutions

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

Problème traité

Le problème central est de traiter les blocages liés à synthetic face detection, uncertainty estimation, active learning dans détection faciale d’une manière utile pour le déploiement.

Résultat clé

Les résultats mettent en avant des gains de précision, d’efficacité, de généralisation ou d’explicabilité, ce qui réduit le risque de déploiement.

Résumé

Ce travail porte sur « Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning » et étudie synthetic face detection, uncertainty estimation, active learning avec des contraintes proches du déploiement. Les résultats éclairent précision, efficacité, généralisation et fiabilité.

Point de départ de la recherche

La motivation vient du fait que synthetic face detection, uncertainty estimation, active learning dans détection faciale influence confidentialité, coût, robustesse ou expérience utilisateur.

Méthode

L’approche de « Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning » combine conception de modèle, stratégie d’apprentissage ou optimisation système pour rapprocher la recherche d’une capacité déployable.

À retenir

EMSFD reformule la détection de visages synthétiques comme un processus décisionnel tenant compte de l’incertitude, plutôt que comme une simple étiquette binaire. C’est important pour la modération, l’onboarding et les workflows de risque d’identité, car les cas peu fiables peuvent être orientés vers une revue ou un étiquetage actif au lieu de produire des prédictions trop confiantes face à des générateurs inconnus.

Article 032026-05-11cs.CV

N’entraîner qu’une seule fois : apprentissage mono-classe sensible à l’incertitude pour détecter l’authenticité des visages

arXiv PDF

Auteurs & institutions

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

Problème traité

Le problème central est de traiter les blocages liés à face authenticity detection, one-class learning, evidential deep learning dans détection faciale d’une manière utile pour le déploiement.

Résultat clé

Les résultats mettent en avant des gains de précision, d’efficacité, de généralisation ou d’explicabilité, ce qui réduit le risque de déploiement.

Résumé

Ce travail porte sur « Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection » et étudie face authenticity detection, one-class learning, evidential deep learning avec des contraintes proches du déploiement. Les résultats éclairent précision, efficacité, généralisation et fiabilité.

Point de départ de la recherche

La motivation vient du fait que face authenticity detection, one-class learning, evidential deep learning dans détection faciale influence confidentialité, coût, robustesse ou expérience utilisateur.

Méthode

L’approche de « Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection » combine conception de modèle, stratégie d’apprentissage ou optimisation système pour rapprocher la recherche d’une capacité déployable.

À retenir

FADNet est intéressant parce qu’il vise l’obsolescence rapide des détecteurs : au lieu de collecter des exemples de chaque nouveau générateur de faux, il apprend la distribution des visages authentiques et traite les fortes déviations comme suspectes. La couche d’incertitude et le resserrement de frontière par pseudo-faux rendent l’approche plus exploitable comme filtre général d’authenticité pour deepfakes et visages entièrement synthétiques.