Radar de pesquisaDetecção facialDetecção de ataques de apresentaçãoarXivAgosto de 2026

Radar mensal do arXiv

Artigos sobre detecção facial de agosto de 2026: marcos dinâmicos, anti-spoofing sem rostos e modelos fundacionais

A pilha de detecção facial está se ampliando de uma caixa delimitadora fixa para geometria configurável e captura confiável. Os artigos deste mês unificam modelos de marcos incompatíveis, questionam se artefatos de impressão/replay podem ser aprendidos inteiramente a partir de objetos não faciais, e testam trinta codificadores de visão mais dezesseis modelos multimodais em conjuntos de dados de apresentação e ataques de morfos.

O que este mês sinaliza

O Unified Dynamic FLD substitui cabeças de referência específicas de template por consultas semânticas de contorno e pode retornar um layout solicitado em tempo de execução. O TPO desafia uma suposição ainda mais profunda ao mostrar que evidências de impressão e reprodução aprendidas com vegetais transferem fortemente para enfrentar anti-falsificação, tornando plausíveis dados suplementares conscientes da privacidade. O estudo do modelo fundamental fornece a condição de contorno: pré-treinamento geral ajuda, mas o prompting MLLM zero-shot permanece fraco e o PAD geralmente precisa de adaptação pelo codificador visual. A direção prática é um serviço de geometria consolidado apoiado por segurança explícita de captura entre domínios, em vez de uma coleção de modelos específicos de conjunto de dados.

Artigo 012026-08-11cs.CV

Rumo à Detecção Unificada de Marcos Dinâmicos de Face

arXiv PDF

Autores e instituições

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

Que problema resolve

O artigo define um sistema de coordenadas semântico comum para layouts heterogêneos de pontos de referência e o utiliza para treinar um detector em múltiplos conjuntos de dados. No momento da inferência, a mesma rede pode responder a uma coleção arbitrária de consultas de pontos de referência, incluindo pontos não explicitamente solicitados durante o treinamento no conjunto de dados de origem.

Resultado-chave

O modelo unificado ViT-B com adaptadores registra 4,02 NME e uma taxa de falha de 2,19% no WFLW, 2,43/4,19 NME nas divisões comuns/desafiadoras do 300W e 2,76 NME no AFLW-19, enquanto suporta treinamento fundido e saída dinâmica. Quando treinado apenas no 300W, atinge 6,08 NME no teste de transferência desafiador WFLW68, versus 7,23 para DTLD e 8,09 para PIPNet. Em pontos de referência nativos retidos, consultas aprendidas melhoram sobre a interpolação por spline em 19,0% no 300W e em 15,7-16,3% nas divisões WFLW, indicando que o modelo aprende semântica de contorno reutilizável em vez de apenas memorizar índices fixos.

Resumo

Embora os avanços em métodos de detecção de marcos de rosto (FLD) continuem ultrapassando limites de desempenho, eles ignoram duas grandes limitações funcionais: (1) diferentes parâmetros de rede precisam ser treinados independentemente para cada conjunto de dados de referência ''$N$-point'', e (2) um modelo treinado em um conjunto de dados ''$N$-point'' gera de forma confiável apenas os marcos de referência $N$. Em nosso trabalho, primeiro conceituamos as Face-Part-Anchored Landmark Positions (FPALPs), onde cada marco é tratado como um valor de progressão entre zero (início) e um (extremidade) ao longo do contorno de uma parte de face. Cada marco pode ser expresso no formato FPALP, independentemente do conjunto de dados de origem, desbloqueando assim a capacidade de unificar todos os conjuntos de dados ''$N$-point'' em um único conjunto de dados. Em segundo lugar, representamos cada ponto com uma consulta baseada em FPALP, refinamos progressivamente com um decodificador cross-modality e prevemos suas coordenadas com base na representação final. Nossa abordagem, chamada Unified Dynamic FLD, incorpora essas duas escolhas de design e simplifica o pipeline de detecção de marcos ao permitir (1) que um único modelo aprenda em qualquer número de conjuntos de dados ''$N$-point'', e (2) gerar qualquer número de previsões específicas de marcos ao carregar as consultas designadas em tempo de execução. Experimentos extensos em múltiplos conjuntos de dados de referência mostram que nosso método entrega esses benefícios enquanto permanece competitivo e, em vários casos, supera métodos de ponta existentes.

Ponto de partida da pesquisa

Conjuntos de dados de pontos faciais discordam sobre se um rosto possui 19, 68, 98 ou outro número de pontos anotados. Modelos convencionais vinculam sua cabeça de regressão a um modelo específico, obrigando as equipes a treinar e manter parâmetros separados para cada conjunto de dados e impedindo que um modelo implantado retorne um novo subconjunto ou um layout mais denso sob demanda. Essa fragmentação é custosa para pipelines de alinhamento, reconstrução, maquiagem e expressão que consomem diferentes convenções de pontos de referência faciais.

Método

Cada ponto de referência se torna uma Posição de Ponto de Referência Ancorada a Parte do Rosto (FPALP, na sigla em inglês): uma progressão normalizada de zero a um ao longo de um contorno semântico, como sobrancelha, olho, nariz, boca ou limite do rosto. Os modelos de conjuntos de dados são alinhados nesse espaço de contorno, e cada ponto solicitado é codificado como uma consulta FPALP. Um decodificador multimodal combina progressivamente tokens de imagem e consultas antes de regredir as coordenadas. O modelo ViT-B é treinado conjuntamente nos conjuntos AFLW-19, 300W e WFLW; adaptadores de conjunto de dados opcionais e leves recuperam deslocamentos sistemáticos de anotação sem abrir mão do backbone unificado ou do layout de saída configurável em tempo de execução.

Síntese do artigo

Um único serviço de pontos de referência orientado por consultas pode substituir vários modelos específicos de template, preservando precisão competitiva. A abordagem é especialmente atraente quando produtos precisam de múltiplos formatos de alinhamento ou antecipam a adição de novas definições de pontos de referência, embora as equipes ainda devam testar adaptadores de deslocamento de anotação para cada conjunto de dados de produção.

Artigo 022026-08-20cs.CV

Tomates, Batatas e Cebolas: Questionando a Necessidade de Rosto na Detecção de Ataques à Apresentação Facial

arXiv PDF

Autores e instituições

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

Que problema resolve

O trabalho isola pistas do processo de apresentação da semântica facial por meio de um conjunto de dados controlado e sem rosto e questiona se essas pistas são transferidas de volta para os benchmarks padrão de PAD facial. Também testa se substituir algumas amostras faciais por ataques face free adiciona informações sob um orçamento fixo de treinamento, em vez de apenas aumentar o tamanho do conjunto de dados.

Resultado-chave

O treinamento apenas com vegetais atinge 92,70% de AUC médio e 14,15% de HTER nos quatro parâmetros de face, comparado a 81,02% de AUC para o treinamento de rosto sintético e 67,81% para o controle inicializado pelo ImageNet. Substituir parte de um orçamento fixo de faces de fonte única por TPO eleva a média de AUC entre conjuntos de dados de 89,33% para 92,55% e reduz o HTER de 17,54% para 13,97%; no treinamento multi-fonte, o AUC sobe de 92,11% para 96,96% e o HTER cai de 14,72% para 7,84%. A diversidade de ataques importa mais do que quadros redundantes: usar apenas 10% dos quadros TPO ainda gera 92,97% de AUC, enquanto o treinamento apenas impressão ou apenas replay cai para 86,14% e 83,97%.

Resumo

A detecção de ataques de apresentação facial (PAD) é tradicionalmente formulada como um problema específico de cada rosto, embora muitos dos artefatos visuais introduzidos pelos processos de impressão, reprodução e recaptura não estejam inerentemente ligados à aparência facial. Neste trabalho, investigamos se representações PAD transferíveis podem ser aprendidas sem usar rostos durante o treinamento posterior de PAD. Para isso, introduzimos TPO, um conjunto de dados controlado de ataques de apresentação sem rostos que consiste em gravações legítimas, impressas e de reprodução, quase escolhidas aleatoriamente, de tomates, batatas e cebolas adquiridos sob protocolos que espelham de perto os conjuntos convencionais de PAD faciais. Usando uma arquitetura PAD baseada em modelos baseados, demonstramos que um detector treinado em TPO alcança um AUC médio de 92,70% em quatro benchmarks padrão de PAD cruzados entre conjuntos de dados, superando o treinamento em rostos sintéticos e permanecendo competitivo com modelos treinados em conjuntos de dados reais de faces. Por outro lado, modelos treinados em conjuntos de dados face PAD transferem consistentemente acima do acaso para TPO, sugerindo que as representações aprendidas capturam características do processo de apresentação em vez da semântica de objetos. Além disso, incorporar TPO no treinamento convencional de face PAD melhora consistentemente o desempenho cross-dataset sob orçamentos fixos de otimização, indicando que dados sem face fornecem informações complementares em vez de apenas amostras adicionais de treinamento. Por fim, representações e análises de frequência fornecem mais evidências de que representações de PAD transferíveis não podem ser explicadas por um único artefato espectral, mas sim codificam pistas de apresentação mais ricas compartilhadas entre categorias de objetos. Juntos, esses resultados fornecem evidências empíricas de que representações transferíveis de ataques de apresentação podem ser aprendidas independentemente do conteúdo facial, abrindo novas oportunidades para o desenvolvimento de PADs que preservam privacidade e identidade são independentes.

Ponto de partida da pesquisa

Ataques de impressão e reprodução introduzem padrões moiré, subpixels de exibição, textura de papel, deslocamentos gama, reflexos e ruído de recaptura que são propriedades do instrumento de apresentação, e não da identidade representada. No entanto, pesquisas anti-spoofing quase sempre coletam mais rostos humanos, aumentando o consentimento e preocupações demográficas, enquanto incentivam detectores a absorver atalhos de rostos ou de conjuntos de dados. Os autores testam a hipótese deliberadamente forte de que evidências transferíveis de ataques podem ser aprendidas sem rostos.

Método

O TPO contém 12.480 apresentações legítimas, impressas e de reprodução de tomates, batatas e cebolas capturadas com protocolos modelados em conjuntos de dados face PAD. Um modelo CLIP ViT-B/16 FoundPAD é adaptado com LoRA usando apenas TPO, depois avaliado em MSU-MFSD, CASIA-FASD, Replay-Attack e OULU-NPU. Os controles incluem CLIP zero-shot, uma correspondência de arquitetura inicializada pelo ImageNet, SynthASpoof, treinamento de face real de fonte única e múltipla, transferência reversa de conjuntos de dados de rostos para TPO, experimentos de substituição de orçamento fixo, análise de frequência e ablações sobre classe de objeto, tipo de ataque e contagem de quadros.

Síntese do artigo

Para anti-falsificação de impressão/reprodução, diversidade realista de recaptura pode importar mais do que coletar outro conjunto de identidades. Dados suplementares sem rosto oferecem uma forma consciente da privacidade para melhorar a transferência entre sensores, mas as evidências se aplicam aos processos testados de impressão e exibição e não devem ser generalizadas automaticamente para máscaras ou ataques físicos inovadores.

Artigo 032026-08-30cs.CV