Radar de pesquisaDetecção facialarXivMaio de 2026

Radar mensal do arXiv

Detecção facial em maio de 2026: ataques de apresentação, gates de faces sintéticas e autenticidade one-class

Como trabalhos puros de detector foram escassos, o foco se amplia para gates de confiança antes de reconhecimento e identidade.

O que este mês sinaliza

O front-end facial está passando de localização para decisão de confiança.

Artigo 012026-05-13cs.CV

Aumento de fluxo e destilação de conhecimento para detecção leve de ataques de apresentação facial

arXiv PDF

Autores e instituições

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

Que problema resolve

O problema central é tratar gargalos de face presentation attack detection, knowledge distillation, edge deployment em detecção facial de forma avaliável para implantação real.

Resultado-chave

Os resultados destacam ganhos em precisão, eficiência, generalização ou explicabilidade, reduzindo risco de implantação.

Resumo

Este trabalho aborda “Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection” e examina face presentation attack detection, knowledge distillation, edge deployment sob restrições próximas de produção. Os resultados ajudam a avaliar precisão, eficiência, generalização e confiabilidade.

Ponto de partida da pesquisa

A motivação é que face presentation attack detection, knowledge distillation, edge deployment em detecção facial afeta privacidade, custo, robustez ou experiência do usuário.

Método

A abordagem de “Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection” combina desenho de modelo, estratégia de treinamento ou otimização de sistema para aproximar a pesquisa de uma capacidade implantável.

Síntese do artigo

A contribuição prática é que a detecção de ataque de apresentação sensível a movimento não precisa pagar todo o custo de inferência do fluxo óptico. Um professor com aumento de fluxo transfere pistas temporais de vivacidade para um aluno RGB leve, tornando a abordagem mais realista para quiosques, onboarding móvel e câmeras edge que exigem proteção rápida contra spoofing sem ida e volta ao servidor.

Artigo 022026-05-11cs.CV

Modelagem de decisão baseada em evidências para detectar rostos sintéticos com aprendizado ativo orientado por incerteza

arXiv PDF

Autores e instituições

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

Que problema resolve

O problema central é tratar gargalos de synthetic face detection, uncertainty estimation, active learning em detecção facial de forma avaliável para implantação real.

Resultado-chave

Os resultados destacam ganhos em precisão, eficiência, generalização ou explicabilidade, reduzindo risco de implantação.

Resumo

Este trabalho aborda “Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning” e examina synthetic face detection, uncertainty estimation, active learning sob restrições próximas de produção. Os resultados ajudam a avaliar precisão, eficiência, generalização e confiabilidade.

Ponto de partida da pesquisa

A motivação é que synthetic face detection, uncertainty estimation, active learning em detecção facial afeta privacidade, custo, robustez ou experiência do usuário.

Método

A abordagem de “Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning” combina desenho de modelo, estratégia de treinamento ou otimização de sistema para aproximar a pesquisa de uma capacidade implantável.

Síntese do artigo

O EMSFD reformula a detecção de rostos sintéticos como um processo decisório sensível à incerteza, não como um rótulo binário simples. Isso importa em moderação, onboarding e fluxos de risco de identidade, pois casos de baixa confiança podem ser enviados para revisão ou rotulagem ativa em vez de gerar previsões superconfiantes diante de geradores desconhecidos.

Artigo 032026-05-11cs.CV

Treinar apenas uma vez: aprendizado de uma classe sensível à incerteza para detecção de autenticidade facial

arXiv PDF

Autores e instituições

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

Que problema resolve

O problema central é tratar gargalos de face authenticity detection, one-class learning, evidential deep learning em detecção facial de forma avaliável para implantação real.

Resultado-chave

Os resultados destacam ganhos em precisão, eficiência, generalização ou explicabilidade, reduzindo risco de implantação.

Resumo

Este trabalho aborda “Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection” e examina face authenticity detection, one-class learning, evidential deep learning sob restrições próximas de produção. Os resultados ajudam a avaliar precisão, eficiência, generalização e confiabilidade.

Ponto de partida da pesquisa

A motivação é que face authenticity detection, one-class learning, evidential deep learning em detecção facial afeta privacidade, custo, robustez ou experiência do usuário.

Método

A abordagem de “Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection” combina desenho de modelo, estratégia de treinamento ou otimização de sistema para aproximar a pesquisa de uma capacidade implantável.

Síntese do artigo

O FADNet é valioso porque enfrenta a rotatividade dos detectores: em vez de coletar exemplos de cada novo gerador falso, ele aprende a distribuição de rostos autênticos e trata grandes desvios como suspeitos. A camada de incerteza e o aperto de fronteira com pseudo-falsificações tornam a ideia mais útil para equipes que precisam de um gate amplo de autenticidade para deepfakes e rostos totalmente sintéticos.