Исследовательский радарРаспознавание лицarXivАпрель 2026

Ежемесячный радар arXiv

Распознавание лиц в апреле 2026: зашифрованное сопоставление, event-камеры и мобильный inference

В апреле 2026 исследования по распознаванию лиц сильнее сместились к ограничениям реального внедрения, а не только к гонке за benchmark. Ключевые работы защищают биометрические шаблоны во время поиска, расширяют сенсорный стек за пределы RGB и переносят качество распознавания на мобильное железо без превышения задержек.

Что показывает этот месяц

Стек распознавания лиц становится более операционным. Конкурентное отличие смещается к безопасному внедрению, устойчивости вне RGB и практическим выигрышам по задержке и эффективности.

Статья 012026-04-01cs.CV

Легкое и практичное зашифрованное распознавание лиц с поддержкой GPU

arXiv PDF

Авторы и организации

Gabrielle De Micheli

Advanced Security Team, LG Electronics, USA

Syed Mahbub Hafiz

Advanced Security Team, LG Electronics, USA

Geovandro Pereira

Advanced Security Team, LG Electronics, USA

Eduardo L. Cominetti

Advanced Security Team, LG Electronics, USA

Thales B. Paiva

Advanced Security Team, LG Electronics, USA

Universidade de São Paulo, São Paulo, Brazil

Jina Choi

Next-Generation Computing Research Lab, CTO Division, LG Electronics, South Korea

Marcos A. Simplicio Jr

Universidade de São Paulo, São Paulo, Brazil

Bahattin Yildiz

Advanced Security Team, LG Electronics, USA

Какую задачу решает

Ключевая задача — устранить ограничения вокруг encrypted face recognition, privacy-preserving biometrics, homomorphic encryption в распознавание лиц, чтобы решение можно было оценивать не только академически, но и с точки зрения закупок, compliance и engineering.

Ключевой результат

Результаты подчеркивают улучшения точности, эффективности, устойчивости или генерализации. Для технического покупателя важно, снижает ли это риск внедрения и расширяет ли сценарии применения.

Аннотация

Работа изучает зашифрованный поиск похожести для распознавания лиц в клиент-серверных сценариях, где embeddings являются чувствительными биометрическими данными. Алгоритм Baby-Step/Giant-Step diagonal и GPU-оптимизированные CKKS kernels снижают расходы памяти и ускоряют гомоморфное сопоставление, делая приватную идентификацию практичнее.

Отправная точка исследования

Мотивация в том, что распознавание лиц переходит от лабораторных benchmark к реальным системам, где encrypted face recognition, privacy-preserving biometrics, homomorphic encryption напрямую влияет на приватность, стоимость, стабильность или пользовательский опыт.

Метод

Подход в «Lightweight, Practical Encrypted Face Recognition with GPU Support» сочетает архитектурный дизайн, стратегию обучения или системную оптимизацию для encrypted face recognition, privacy-preserving biometrics, homomorphic encryption. Это приближает исследование к внедряемой продуктовой возможности.

Вывод по статье

Итог: эта работа показывает, что в апреле 2026 encrypted face recognition, privacy-preserving biometrics, homomorphic encryption становится важной переменной для продуктовой оценки распознавание лиц.

Статья 022026-04-08cs.CV

EventFace: событийное распознавание лиц через структурно-ориентированное пространственно-временное моделирование

arXiv PDF

Авторы и организации

Qingguo Meng

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Xingbo Dong

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Zhe Jin

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Massimo Tistarelli

Computer Vision Laboratory, University of Sassari, Sassari, Italy

Какую задачу решает

Ключевая задача — устранить ограничения вокруг event-based face recognition, low-light biometrics, spatiotemporal modeling в распознавание лиц, чтобы решение можно было оценивать не только академически, но и с точки зрения закупок, compliance и engineering.

Ключевой результат

Аннотация

EventFace исследует распознавание личности по потокам event-камер — разреженным сигналам, ориентированным на движение и сильно отличающимся от RGB-изображений. Работа вводит набор EFace и структурно-ориентированную пространственно-временную модель, переносящую знания из RGB-моделей лиц и явно моделирующую motion prompts и временную модуляцию.

Отправная точка исследования

Мотивация в том, что распознавание лиц переходит от лабораторных benchmark к реальным системам, где event-based face recognition, low-light biometrics, spatiotemporal modeling напрямую влияет на приватность, стоимость, стабильность или пользовательский опыт.

Метод

Подход в «EventFace: Event-Based Face Recognition via Structure-Driven Spatiotemporal Modeling» сочетает архитектурный дизайн, стратегию обучения или системную оптимизацию для event-based face recognition, low-light biometrics, spatiotemporal modeling. Это приближает исследование к внедряемой продуктовой возможности.

Вывод по статье

Итог: эта работа показывает, что в апреле 2026 event-based face recognition, low-light biometrics, spatiotemporal modeling становится важной переменной для продуктовой оценки распознавание лиц.

Статья 032026-04-11cs.CV

FaceLiVTv2: улучшенная гибридная архитектура для эффективного мобильного распознавания лиц

arXiv PDF

Авторы и организации

Novendra Setyawan

Department of Electro-Optics Engineering, National Formosa University, Taiwan

Department of Electrical Engineering, University of Muhammadiyah Malang, Indonesia

Chi-Chia Sun

Department of Electrical Engineering, National Taipei University, Taiwan

Mao-Hsiu Hsu

Department of Electro-Optics, National Formosa University, Taiwan

Wen-Kai Kuo

Department of Electro-Optics, National Formosa University, Taiwan

Jun-Wei Hsieh

College of Artificial Intelligence and Green Energy, National Yang Ming Chiao Tung University, Taiwan

Какую задачу решает

Ключевая задача — устранить ограничения вокруг mobile face recognition, lightweight transformer, edge biometrics в распознавание лиц, чтобы решение можно было оценивать не только академически, но и с точки зрения закупок, compliance и engineering.

Ключевой результат

Аннотация

FaceLiVTv2 ориентирован на мобильное распознавание лиц с более легким дизайном глобально-локального взаимодействия. Он заменяет тяжелые attention-блоки на Lite MHLA и встраивает модуль в единый RepMix block, улучшая баланс задержки и точности на популярных face benchmarks и мобильном железе.

Отправная точка исследования

Мотивация в том, что распознавание лиц переходит от лабораторных benchmark к реальным системам, где mobile face recognition, lightweight transformer, edge biometrics напрямую влияет на приватность, стоимость, стабильность или пользовательский опыт.

Метод

Подход в «FaceLiVTv2: An Improved Hybrid Architecture for Efficient Mobile Face Recognition» сочетает архитектурный дизайн, стратегию обучения или системную оптимизацию для mobile face recognition, lightweight transformer, edge biometrics. Это приближает исследование к внедряемой продуктовой возможности.

Вывод по статье

Итог: эта работа показывает, что в апреле 2026 mobile face recognition, lightweight transformer, edge biometrics становится важной переменной для продуктовой оценки распознавание лиц.