リサーチレーダー顔検出arXiv2026年5月

月次 arXiv レーダー

2026年5月の顔検出論文：Presentation Attack、合成顔ゲート、One-Class真正性

純粋な顔検出論文が少なかったため、検出後に顔画像を信頼してよいかを決める前段ゲートに範囲を広げた。

本月の重要シグナル

顔システムの前段は、位置特定だけでなく信頼性判定へ移っている。

論文 012026-05-13cs.CV

軽量な顔提示攻撃検出のためのフロー拡張と知識蒸留

arXiv PDF

著者・所属

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

何を解決するか

中心課題は、顔検出における face presentation attack detection, knowledge distillation, edge deployment のボトルネックを、研究指標だけでなく導入判断にも耐える形で扱うことだ。

主要結果

結果は、精度、効率、汎化、説明可能性の改善を示し、実運用でのリスク低減に役立つ。

要旨

この論文は「Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection」を扱い、face presentation attack detection, knowledge distillation, edge deployment を通じて実運用に近い課題を検討する。評価では、精度、効率、汎化、信頼性の観点から導入判断に使える示唆を与える。

研究の出発点

動機は、face presentation attack detection, knowledge distillation, edge deployment が顔検出の実運用でプライバシー、コスト、堅牢性、ユーザー体験に直結する点にある。

手法

アプローチは「Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection」を軸に、モデル設計、学習戦略、またはシステム最適化を組み合わせ、実装可能な能力へ近づける。

論文要点

実用上のポイントは、動きに基づく提示攻撃検出が推論時に光流計算の重いコストを払わなくてよいことです。フロー拡張された教師モデルが時間的なライブネス手掛かりを軽量なRGB学生モデルへ蒸留するため、キオスク、モバイル本人確認、エッジカメラのように高速ななりすまし対策が必要な場面で現実的です。

論文 022026-05-11cs.CV

不確実性駆動の能動学習を用いた合成人顔検出の証拠ベース意思決定モデリング

arXiv PDF

著者・所属

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

何を解決するか

中心課題は、顔検出における synthetic face detection, uncertainty estimation, active learning のボトルネックを、研究指標だけでなく導入判断にも耐える形で扱うことだ。

主要結果

結果は、精度、効率、汎化、説明可能性の改善を示し、実運用でのリスク低減に役立つ。

要旨

この論文は「Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning」を扱い、synthetic face detection, uncertainty estimation, active learning を通じて実運用に近い課題を検討する。評価では、精度、効率、汎化、信頼性の観点から導入判断に使える示唆を与える。

研究の出発点

動機は、synthetic face detection, uncertainty estimation, active learning が顔検出の実運用でプライバシー、コスト、堅牢性、ユーザー体験に直結する点にある。

手法

アプローチは「Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning」を軸に、モデル設計、学習戦略、またはシステム最適化を組み合わせ、実装可能な能力へ近づける。

論文要点

EMSFD は、合成人顔検出を単純な二値分類ではなく、不確実性を含む意思決定プロセスとして捉え直します。未知の生成器に対して過信した予測を返す代わりに、低信頼ケースをレビューや能動的ラベル付けへ回せるため、モデレーション、オンボーディング、IDリスク管理で重要です。

論文 032026-05-11cs.CV

一度だけ学習する：顔の真正性検出に向けた不確実性感知型ワンクラス学習

arXiv PDF

著者・所属

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

何を解決するか

中心課題は、顔検出における face authenticity detection, one-class learning, evidential deep learning のボトルネックを、研究指標だけでなく導入判断にも耐える形で扱うことだ。

主要結果

結果は、精度、効率、汎化、説明可能性の改善を示し、実運用でのリスク低減に役立つ。

要旨

この論文は「Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection」を扱い、face authenticity detection, one-class learning, evidential deep learning を通じて実運用に近い課題を検討する。評価では、精度、効率、汎化、信頼性の観点から導入判断に使える示唆を与える。

研究の出発点

動機は、face authenticity detection, one-class learning, evidential deep learning が顔検出の実運用でプライバシー、コスト、堅牢性、ユーザー体験に直結する点にある。

手法

アプローチは「Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection」を軸に、モデル設計、学習戦略、またはシステム最適化を組み合わせ、実装可能な能力へ近づける。

論文要点

FADNet の価値は、検出器が新しい生成手法のたびに劣化する問題を直接狙っている点です。すべての新しい偽造生成器からサンプルを集めるのではなく、本物の顔の分布を学び、大きく外れる画像を疑わしいものとして扱うため、不確実性推定と擬似偽造による境界強化を組み合わせれば、deepfake と完全合成人顔の両方を扱う真正性ゲートとして使いやすくなります。