연구 레이더얼굴 탐지arXiv2026년 5월

월간 arXiv 레이더

2026년 5월 얼굴 탐지 논문: 프레젠테이션 공격, 합성 얼굴 게이트, 원클래스 진위성

순수 얼굴 탐지 논문이 적어, 인식 전 얼굴 이미지를 신뢰할 수 있는지 판단하는 전단 게이트로 범위를 넓혔다.

이번 달이 보여주는 신호

얼굴 시스템 전단은 위치 찾기에서 신뢰 판단으로 이동하고 있다.

논문 012026-05-13cs.CV

경량 얼굴 제시 공격 탐지를 위한 플로우 증강과 지식 증류

arXiv PDF

저자 및 소속

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

해결하는 문제

핵심 문제는 얼굴 탐지의 face presentation attack detection, knowledge distillation, edge deployment 관련 병목을 실제 배포 평가가 가능한 형태로 해결하는 것이다.

핵심 결과

결과는 정확도, 효율, 일반화 또는 설명 가능성의 개선을 보여 배포 리스크를 낮춘다.

초록

이 논문은 「Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection」를 다루며 face presentation attack detection, knowledge distillation, edge deployment를 실제 배포에 가까운 제약에서 검토한다. 결과는 정확도, 효율, 일반화, 신뢰성을 평가하는 데 도움을 준다.

연구 출발점

동기는 얼굴 탐지에서 face presentation attack detection, knowledge distillation, edge deployment가 개인정보, 비용, 견고성, 사용자 경험에 직접 영향을 주기 때문이다.

방법

「Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection」의 접근은 모델 설계, 학습 전략 또는 시스템 최적화를 결합해 연구를 배포 가능한 역량에 가깝게 만든다.

논문 요약

실용적 기여는 움직임 인식 제시 공격 탐지가 추론 단계에서 광류 계산의 전체 비용을 지불하지 않아도 된다는 점입니다. 플로우 증강 교사 모델이 시간적 라이브니스 단서를 경량 RGB 학생 모델로 증류하므로, 서버 왕복 없이 빠른 스푸핑 방어가 필요한 키오스크, 모바일 온보딩, 엣지 카메라에 더 현실적인 접근입니다.

논문 022026-05-11cs.CV

불확실성 기반 능동 학습을 활용한 합성 얼굴 탐지의 증거 기반 의사결정 모델링

arXiv PDF

저자 및 소속

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

해결하는 문제

핵심 문제는 얼굴 탐지의 synthetic face detection, uncertainty estimation, active learning 관련 병목을 실제 배포 평가가 가능한 형태로 해결하는 것이다.

핵심 결과

결과는 정확도, 효율, 일반화 또는 설명 가능성의 개선을 보여 배포 리스크를 낮춘다.

초록

이 논문은 「Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning」를 다루며 synthetic face detection, uncertainty estimation, active learning를 실제 배포에 가까운 제약에서 검토한다. 결과는 정확도, 효율, 일반화, 신뢰성을 평가하는 데 도움을 준다.

연구 출발점

동기는 얼굴 탐지에서 synthetic face detection, uncertainty estimation, active learning가 개인정보, 비용, 견고성, 사용자 경험에 직접 영향을 주기 때문이다.

방법

「Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning」의 접근은 모델 설계, 학습 전략 또는 시스템 최적화를 결합해 연구를 배포 가능한 역량에 가깝게 만든다.

논문 요약

EMSFD는 합성 얼굴 탐지를 단순한 이진 라벨이 아니라 불확실성을 고려하는 의사결정 과정으로 재구성합니다. 알 수 없는 생성기를 만났을 때 과신한 예측을 내놓는 대신 낮은 신뢰도 사례를 검토나 능동 라벨링으로 보낼 수 있어, 콘텐츠 모더레이션, 온보딩, 신원 위험 관리 워크플로에 중요합니다.

논문 032026-05-11cs.CV

한 번만 학습하기: 얼굴 진위 탐지를 위한 불확실성 인식 원클래스 학습

arXiv PDF

저자 및 소속

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

해결하는 문제

핵심 문제는 얼굴 탐지의 face authenticity detection, one-class learning, evidential deep learning 관련 병목을 실제 배포 평가가 가능한 형태로 해결하는 것이다.

핵심 결과

결과는 정확도, 효율, 일반화 또는 설명 가능성의 개선을 보여 배포 리스크를 낮춘다.

초록

이 논문은 「Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection」를 다루며 face authenticity detection, one-class learning, evidential deep learning를 실제 배포에 가까운 제약에서 검토한다. 결과는 정확도, 효율, 일반화, 신뢰성을 평가하는 데 도움을 준다.

연구 출발점

동기는 얼굴 탐지에서 face authenticity detection, one-class learning, evidential deep learning가 개인정보, 비용, 견고성, 사용자 경험에 직접 영향을 주기 때문이다.

방법

「Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection」의 접근은 모델 설계, 학습 전략 또는 시스템 최적화를 결합해 연구를 배포 가능한 역량에 가깝게 만든다.

논문 요약

FADNet은 새로운 생성기가 나올 때마다 탐지기를 다시 맞춰야 하는 문제를 겨냥한다는 점에서 가치가 있습니다. 모든 새 위조 생성기의 예시를 모으는 대신 진짜 얼굴의 분포를 학습하고 큰 이탈을 의심 사례로 보며, 불확실성 계층과 pseudo-forgery를 통한 경계 조임은 딥페이크와 완전 합성 얼굴을 모두 다루는 범용 진위 게이트로 쓰기 쉽게 만듭니다.