Исследовательский радарДетекция лицarXivМай 2026

Ежемесячный радар arXiv

Детекция лиц в мае 2026: presentation attacks, synthetic-face gates и one-class authenticity

Так как чистых работ по bounding-box detection мало, обзор расширен до trust-gates перед распознаванием и identity workflow.

Что показывает этот месяц

Front-end face systems смещается от локализации к решению о доверии.

Статья 012026-05-13cs.CV

Аугментация оптического потока и дистилляция знаний для легковесного обнаружения атак предъявления лица

arXiv PDF

Авторы и организации

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

Какую задачу решает

Ключевая задача — устранить ограничения вокруг face presentation attack detection, knowledge distillation, edge deployment в детекция лиц так, чтобы решение можно было оценивать для реального внедрения.

Ключевой результат

Результаты показывают улучшения точности, эффективности, обобщения или объяснимости и снижают риск внедрения.

Аннотация

Работа «Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection» рассматривает face presentation attack detection, knowledge distillation, edge deployment в условиях, близких к внедрению. Результаты помогают оценить точность, эффективность, обобщение и надежность.

Отправная точка исследования

Мотивация в том, что face presentation attack detection, knowledge distillation, edge deployment в области детекция лиц напрямую влияет на приватность, стоимость, устойчивость или пользовательский опыт.

Метод

Подход в «Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection» сочетает дизайн модели, стратегию обучения или системную оптимизацию, приближая исследование к продуктовой возможности.

Вывод по статье

Практический вклад в том, что детекция атак предъявления с учетом движения больше не требует полной стоимости вычисления оптического потока на инференсе. Учитель с flow-аугментацией переносит временные признаки живости в легкий RGB-студент, поэтому метод лучше подходит для киосков, мобильного онбординга и edge-камер, где нужна быстрая защита от спуфинга без обращения к серверу.

Статья 022026-05-11cs.CV

Доказательное моделирование решений для обнаружения синтетических лиц с активным обучением на основе неопределенности

arXiv PDF

Авторы и организации

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

Какую задачу решает

Ключевая задача — устранить ограничения вокруг synthetic face detection, uncertainty estimation, active learning в детекция лиц так, чтобы решение можно было оценивать для реального внедрения.

Ключевой результат

Аннотация

Работа «Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning» рассматривает synthetic face detection, uncertainty estimation, active learning в условиях, близких к внедрению. Результаты помогают оценить точность, эффективность, обобщение и надежность.

Отправная точка исследования

Мотивация в том, что synthetic face detection, uncertainty estimation, active learning в области детекция лиц напрямую влияет на приватность, стоимость, устойчивость или пользовательский опыт.

Метод

Подход в «Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning» сочетает дизайн модели, стратегию обучения или системную оптимизацию, приближая исследование к продуктовой возможности.

Вывод по статье

EMSFD переосмысливает обнаружение синтетических лиц как процесс принятия решений с учетом неопределенности, а не как простую бинарную метку. Это важно для модерации, онбординга и процессов управления идентификационным риском: низкоуверенные случаи можно отправлять на проверку или активную разметку, вместо того чтобы давать самоуверенные ответы на незнакомых генераторах.

Статья 032026-05-11cs.CV

Обучить только один раз: учитывающее неопределенность одно-классовое обучение для обнаружения подлинности лиц

arXiv PDF

Авторы и организации

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

Какую задачу решает

Ключевая задача — устранить ограничения вокруг face authenticity detection, one-class learning, evidential deep learning в детекция лиц так, чтобы решение можно было оценивать для реального внедрения.

Ключевой результат

Аннотация

Работа «Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection» рассматривает face authenticity detection, one-class learning, evidential deep learning в условиях, близких к внедрению. Результаты помогают оценить точность, эффективность, обобщение и надежность.

Отправная точка исследования

Мотивация в том, что face authenticity detection, one-class learning, evidential deep learning в области детекция лиц напрямую влияет на приватность, стоимость, устойчивость или пользовательский опыт.

Метод

Подход в «Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection» сочетает дизайн модели, стратегию обучения или системную оптимизацию, приближая исследование к продуктовой возможности.

Вывод по статье

FADNet ценен тем, что решает проблему постоянного устаревания детекторов: вместо сбора примеров от каждого нового генератора подделок он учит распределение подлинных лиц и считает сильные отклонения подозрительными. Слой неопределенности и сужение границы с помощью псевдоподделок делают подход более пригодным как общий шлюз подлинности для deepfake и полностью синтетических лиц.