研究雷达人脸检测arXiv2026 年 10 月

每月 arXiv 雷达

2026 年 10 月人脸检测论文：轻量级特征融合、在线说话人判断与真实监控

10 月只有一篇直接聚焦检测器的论文，因此本专题同时收录两项依赖人脸定位的系统研究。WeaveFace 面向计算受限条件下的小人脸与遮挡人脸；CAST-ASD 在不使用未来帧的情况下联合判断已跟踪人脸的发言状态；CVBL-CCTV-Face 则研究真实监控退化对检测之后的图像增强和身份匹配的影响。

本月趋势判断

WeaveFace 在 Mamba 扫描之前交错相邻尺度的特征，以 34 万参数在 WIDER FACE 上取得 91.41% 平均 AP。CAST-ASD 以人脸轨迹为输入，通过不向未来帧前瞻的跨人脸注意力，在 MSDWild 上使竞争说话人造成的误报减少 32%。CVBL-CCTV-Face 提供 223 名受试者的真实监控数据，并发现合成退化微调比直接在真实低质量图上微调更有利于识别。检测质量、在线场景推理与下游身份匹配，需要作为完整流程共同测试。

论文 012026-10-05cs.CV

Weave Mamba Fusion：面向轻量级人脸检测的全局跨尺度交互

arXiv PDF

作者与机构

Dohun Kim

School of Data Science, The University of Suwon

Jinmyung Jung

School of Data Science, The University of Suwon

解决了什么问题

WeaveFace 旨在为亚百万参数人脸检测器添加全局跨尺度交互，而无需支付连接完整特征图或应用二次自注意力的内存和计算成本。

关键结果

在 WIDER FACE 上，WeaveFace 报告平均 AP 为 91.41%，具有 34 万个参数和 1.16 GFLOP。其硬子集 AP 为 87.14%，这是小面和遮挡面最强调跨尺度设计的区域。该论文报告了比之前低于 50 万个参数的探测器更高的准确度。

摘要

从FPN到BiFPN的特征金字塔方法通过融合多尺度特征在人脸检测中取得了强大的性能。然而，在无约束条件下（例如小尺度、遮挡和极端姿势）检测人脸仍然很困难，因为它需要局部融合无法建模的全局跨尺度依赖性。 Mamba 等状态空间模型通过将特征扫描为序列来提供具有线性复杂性的全局上下文，因此为该问题提供了一个有希望的方向。然而，这样的扫描需要将两个金字塔尺度组合成单个特征图，并且它们的组合方式决定是否保留跨尺度结构。求和在扫描之前折叠了两个尺度，因此扫描没有可利用的跨尺度结构，而串联保留了两个尺度，但成本要高得多。为了解决这个问题，我们提出了 Weave Mamba Fusion (WMF)，它将两个相邻的金字塔尺度逐列交错，以便水平双向 SS2D 扫描的每一步都从一个尺度移动到另一个尺度。通过部分通道处理和无参数去编织，WMF 能够在保留特征结构的同时实现高效的跨尺度交互。将 WMF 集成到每个融合节点中会产生 WeaveBiFPN，即 WeaveFace 检测器的特征融合层。在 WIDER FACE 上，WeaveFace 仅用 0.34M 参数和 1.16 GFLOP 就实现了 91.41% 的平均 AP，在 0.5M 参数下优于之前的检测器。它的最大收益是在 Hard 子集上，达到 87.14% AP。该代码可在 https://github.com/dohun-mat/WeaveMambaFusion 上公开获取。

研究出发点

小的、遮挡的和强烈旋转的面部需要来自高分辨率金字塔级别的精细空间细节和来自低分辨率级别的语义上下文。标准 FPN 和 BiFPN 融合是局部的，而在轻量级检测器使用的分辨率下，全局注意力的成本可能太高。

方法概述

Weave Mamba Fusion 交错相邻金字塔层的列，因此双向水平 SS2D 扫描在每个步骤的尺度之间交替。仅处理部分通道，并且无参数的去编织操作恢复原始尺度。用该算子替换每个 BiFPN 融合节点会生成 WeaveBiFPN，它用作 WeaveFace 检测器的特征融合层。

论文总结

该检测器适合参数量和计算量受限的边缘部署，尤其值得在小人脸较多的场景中测试。不过论文主要用模型复杂度证明效率，仍应在目标加速器上实测推理延迟和内存占用。

论文 022026-10-10cs.CV

CAST-ASD：面向在线活跃说话人检测的跨说话人与时间因果注意力

arXiv PDF

作者与机构

Pratham Gupta

Indian Institute of Technology Kanpur

KTH Royal Institute of Technology

Haotian Qi

KTH Royal Institute of Technology

Tushar Sandhan

Indian Institute of Technology Kanpur

Gabriel Skantze

KTH Royal Institute of Technology

解决了什么问题

CAST-ASD 将跨面部推理引入零前瞻检测器，其参数计数不会随着可见面部数量的增加而增加。它解决了人脸检测和跟踪之后的在线阶段，其中需要低延迟和说话人归因。

关键结果

相对于其因果每面骨干网，CAST-ASD 将竞争说话人的误报减少了 32%，并且在两个 MSDWild 验证分割上均优于所有因果基线。一个 CAST 块使用 157 万个参数，大约是三块固定名册卷积的说话者间参数的十分之一。其因果惩罚为 1.14 mAP，而匹配的 LoCoNet 配置则为 2.67 mAP。

摘要

我们提出了 CAST-ASD（说话者和时间的因果注意力），这是一种用于主动说话者检测（ASD）的因果联合模型。最近的 ASD 模型通过联合处理场景中的所有面部来提高性能，但可以离线操作，在标记任何帧之前可以使用完整的剪辑。相反，低延迟因果检测器独立处理每张脸。 CAST-ASD 将联合面部推理与完全因果推理相结合。它将场景级注意力应用于当前帧内的面部，并将因果时间注意力应用于每张面部的历史记录，从而实现零前瞻的发言者之间的信息共享。它的参数数量不会随着面数的增加而增加。在 MSDWild 上，大多数负面面部帧都包含可见的竞争说话者，相对于它扩展的因果每脸检测器，CAST-ASD 将竞争说话者误报减少了 32%，并且随着场景占用率的增加，增益会更大。它在两个验证分割上都优于所有因果基线，同时仅使用三块固定名册卷积的说话者间参数的十分之一。代码和模型可在 https://github.com/prathamg007/CAST-ASD 获取。

研究出发点

主动说话者检测必须确定哪个可见面孔拥有共享音轨。准确的联合模型通常会考虑未来的帧，而因果系统通常会独立地对每张脸进行评分，因此会在拥挤的场景中将沉默的旁观者与当前发言者混淆。

方法概述

因果音视频主干分别编码每条人脸轨迹与共享音频流。CAST 块先对当前帧所有人脸进行场景级自注意力，再沿每个人脸的历史施加因果时间注意力。在 MSDWild 中，许多未发言人脸所在的帧同时包含另一位正在说话的人；研究在相同训练条件下，与逐人脸独立处理和固定人数的因果基线比较。

论文总结

对于实时会议、说话人分离和摄像机控制，比较当前帧中所有可见人脸可以补回不使用未来帧所损失的部分上下文。模型仍依赖可靠的人脸轨迹，因此检测与跟踪失败必须纳入端到端评估。

论文 032026-10-27cs.CV

用于真实监控环境人脸增强与识别的 CVBL-CCTV-Face 数据集

arXiv PDF

作者与机构

Manish Das

Computer Vision and Biometrics Lab, Indian Institute of Information Technology Allahabad

Ajay Kumar Yadav

Computer Vision and Biometrics Lab, Indian Institute of Information Technology Allahabad

Shiv Ram Dubey

Computer Vision and Biometrics Lab, Indian Institute of Information Technology Allahabad

Satish Kumar Singh

Computer Vision and Biometrics Lab, Indian Institute of Information Technology Allahabad

解决了什么问题

研究提供低质量监控图与高质量参考图不按像素对齐的数据集，以及完整的人脸检测、增强和识别流程，用于研究真实场景的复合图像退化。它比较直接使用预训练模型、用合成退化数据微调，以及用真实低质量图像微调这三种策略的迁移效果。

关键结果

该数据集包含 14,081 个低质量训练图像、2,186 个增强的高质量参考图像以及一个包含 1,581 个低质量图像和 528 个高质量图像的测试集。对综合退化的高质量图像进行微调会产生最强的识别结果，而对真实的低质量作物进行直接微调并不会比预训练的基线有所改善。这一负面结果凸显了恢复目标与不受控制的监视工件之间仍然存在的不匹配。

摘要

在现实世界的监控环境中，闭路电视系统捕获的面部图像会受到分辨率低、运动模糊、噪声和遮挡等性能下降的影响，从而影响了可靠的面部识别。在这项研究中，我们提出了一个针对监控应用的超分辨率和身份识别框架。为此，我们提出了 CVBL-CCTV-Face 数据集，它是以不配对方式拍摄的真实世界图像的数据集，其中每对都包含由 8MP IP 半球闭路电视摄像机捕获的低质量 (LQ) 脸部图像以及在受控设置下拍摄的高质量 (HQ) 参考图像。为了应对此类数据集带来的各种问题，我们构建了一个模块化系统，其中包括人脸检测、基于深度学习的低质量人脸图像超分辨率以及通过嵌入模型提取的 L2 归一化嵌入进行身份识别。增强模型根据三种不同的设置进行训练和测试，并且系统部署在实时无约束环境中进行身份验证。

研究出发点

监控人脸管道通常使用演播室图像或合成下采样进行测试，而实际的闭路电视裁剪则结合了运动模糊、传感器噪声、姿势变化、遮挡、距离和不良照明。因此，在整齐的配对数据上训练的增强模型可能会产生有吸引力的图像，而无需改进真实相机上的身份匹配。

方法概述

CVBL-CCTV-Face 包含 223 名受试者由 800 万像素网络半球摄像机采集的低质量人脸，以及单独采集的高质量参考图。两个版本分别对应参考图较少和较丰富的注册场景，按身份划分训练与测试集。评测流程包含 MTCNN 检测、四种 Transformer 或扩散增强模型、归一化人脸嵌入和 L2 距离匹配，并将相同模块用于实时监控演示。

论文总结

这项工作的价值主要在于提供贴近真实监控环境的测试数据与流程，而非直接交付成熟模型。真实相机数据不可或缺，但仅用这些人脸裁剪图微调图像复原网络，并不一定改善身份判定。