合成图像合成的巨大进展使得面部图像在高分辨率和光真实主义中产生。在生物识别应用中，使用合成数据的主要动机是解决公共可用生物识别数据的短缺，同时在处理此类敏感信息时降低隐私风险。这些优点在这项工作中被利用，通过模拟近期面部年龄修饰算法以生成交配样本，从而研究衰老对开源生物识别识别系统的性能的影响。此外，实际数据集用于评估短期衰老的影响，将生物识别性能与合成结构域进行比较。主要发现表明，短期老化在1 - 5年的范围内仅对一般识别绩效产生较小的影响。但是，对长期年龄差异超过20年的配对面的正确验证仍然是一个重大挑战，需要进一步调查。

本文介绍了基于2022年国际生物识别技术联合会议（IJCB 2022）举行的基于隐私感知合成训练数据（SYN-MAD）的面部变形攻击检测的摘要。该竞赛吸引了来自学术界和行业的12个参与团队，并在11个不同的国家 /地区举行。最后，参与团队提交了七个有效的意见书，并由组织者进行评估。竞争是为了介绍和吸引解决方案的解决方案，这些解决方案涉及检测面部变形攻击的同时，同时出于道德和法律原因保护人们的隐私。为了确保这一点，培训数据仅限于组织者提供的合成数据。提交的解决方案提出了创新，导致在许多实验环境中表现优于所考虑的基线。评估基准现在可在以下网址获得：https：//github.com/marcohuber/syn-mad-2022。

近年来，用深击的图像和视频操纵已成为安全和社会的严重关注。因此，已经提出了许多检测模型和数据库来可靠地检测DeepFake数据。但是，人们越来越担心这些模型和培训数据库可能会有偏见，从而导致深泡检测器失败。在这项工作中，我们通过（a）为五个流行的DeepFake数据集提供41个不同属性的大规模人口统计学和非人口统计学注释，以及（b）全面分析多个最先进的ART的AI偏见这些数据库上的DeepFake检测模型。调查分析了各种独特属性（从6500万标签）对检测性能的影响，包括人口统计学（年龄，性别，种族）和非人口统计学（头发，皮肤，配件等）信息。结果表明，研究的数据库缺乏多样性，更重要的是表明，使用的深层检测模型对许多研究的属性有很大偏见。此外，结果表明，模型的决策可能基于几个可疑（偏见）的假设，例如，如果一个人在微笑或戴上帽子。根据这种深泡检测方法的应用，这些偏见可能导致普遍性，公平性和安全性问题。我们希望这项研究的发现和注释数据库将有助于评估和减轻未来深层检测技术的偏见。我们的注释数据集可公开使用。

很少有研究重点是研究人们如何识别变形攻击，即使有一些出版物已经检查了自动化FRS的敏感性并提供了变形攻击检测（MAD）方法。 MAD接近他们的决策要么基于单个图像，因此没有参考以比较（S-MAD）或使用参考图像（D-MAD）。一个普遍的误解是，审查员或观察者的面部变体检测能力取决于他们的主题专业知识，经验和对这个问题的熟悉程度，并且没有任何作品报告了定期验证身份（ID）文档的观察者的具体结果。当人类观察者参与检查具有面部图像的ID文件时，其能力的失误可能会面临重大的社会挑战。为了评估观察者的熟练程度，这项工作首先构建了来自48位不同受试者的现实变形攻击的新基准数据库，从而产生了400个变形图像。我们还捕获了从自动边界控制（ABC）门的图像，以模仿D-MAD设置中现实的边界横断场景，并使用400个探针图像研究人类观察者检测变形图像的能力。还生产了一个新的180个变形图像的数据集，以研究S-MAD环境中的人类能力。除了创建一个新的评估平台来进行S-MAD和D-MAD分析外，该研究还雇用了469位D-MAD的观察员，S-MAD的410位观察员和410位观察员，他们主要是来自40多个国家 /地区的政府雇员，以及103个科目谁不是考官。该分析提供了有趣的见解，并突出了缺乏专业知识和未能认识到专家大量变形攻击的缺乏。这项研究的结果旨在帮助制定培训计划，以防止安全失败，同时确定图像是真正的还是改变了图像。

通过大规模数据实现具有面部识别的高度安全的应用程序（如边境交叉路）需要广泛的生物识别性能测试。然而，使用真实面部图像引起了对隐私的担忧，因为法律不允许图像用于其他目的而不是最初的目的。使用代表和面部数据的子集还可以导致不需要的人口统计偏见并导致数据集不平衡。克服这些问题的一种可能解决方案是用综合生成的样本替换真实的面部图像。在生成合成图像的同时，从计算机视觉中的最新进步中受益，虽然有利于电脑视觉的最新进步，但在类似实际变化的同一合成标识的多个样本中仍然是不合适的，即交配样本。这项工作提出了一种通过利用样式牢固的潜在空间来生成配合的面部图像的非确定性方法。通过操纵潜伏的矢量来产生交配的样本，更精确地，我们利用主成分分析（PCA）来定义潜在空间中的语义有意义的方向，并使用预先训练的面部识别系统控制原始样本和配合样本之间的相似性。我们创建了由77,034个样本组成的合成面图像（Symface）的新数据集，包括25,919个合成ID。通过我们的分析，使用良好的面部图像质量指标，我们展示了模仿真实生物识别数据的特征的合成样本的生物识别质量的差异。其分析和结果表明使用使用所提出的方法创建的合成样本作为更换真实生物识别数据的可行替代品。

面部识别系统必须处理可能导致匹配决策不正确的大型变量（例如不同的姿势，照明和表达）。这些可变性可以根据面部图像质量来测量，这在样本的效用上定义了用于识别的实用性。以前的识别作品不使用这种有价值的信息或利用非本质上的质量估算。在这项工作中，我们提出了一种简单且有效的面部识别解决方案（Qmagface），其将质量感知的比较分数与基于大小感知角裕度损耗的识别模型相结合。所提出的方法包括比较过程中特定于模型的面部图像质量，以增强在无约束情况下的识别性能。利用利用损失诱导的质量与其比较评分之间的线性，我们的质量意识比较功能简单且高度普遍。在几个面部识别数据库和基准上进行的实验表明，引入的质量意识导致识别性能一致的改进。此外，所提出的Qmagface方法在挑战性环境下特别好，例如交叉姿势，跨年或跨品。因此，它导致最先进的性能在几个面部识别基准上，例如在XQLFQ上的98.50％，83.97％，CFP-FP上的98.74％。 QMagface的代码是公开可用的。

面部变形攻击可以通过利用其漏洞来危及面部识别系统（FRS）。近期已经开发了脸部变形攻击检测（Mad）技术，以阻止这种攻击和减轻传感攻击的风险。疯狂算法，因为任何其他算法应该以相同的方式对不同种族起源的受试者的图像进行处理，并提供非歧视性结果。虽然对稳健性进行了测试的承诺疯狂算法，但没有全面的基准标记对不同种族的行为。在本文中，我们研究并呈现了对现有的基于单图像的变形攻击检测（S-MAD）算法的算法公平的综合分析。我们试图更好地了解民族偏见对疯狂算法的影响以及在这方面，我们研究了由四个不同种族组成的新创建数据集的MAD算法的表现。通过使用六种不同的S-MAD技术进行广泛的实验，我们首先使用公平差异率（FDR）测量检测性能的基准，然后测量它们每个每个算法公平的定量值。结果表明，在不同种族群体的培训和测试时，所有六种不同的S-MAD方法都表明缺乏公平性，这表明需要可靠的疯狂方法来减轻算法偏差。

在人脸识别系统中实现高性能的必要因素是其样本的质量。由于这些系统涉及各种日常生活，因此对人类可以理解的面部识别过程具有很强的需要。在这项工作中，我们介绍了像素级面部图像质量的概念，该概念确定面部图像中像素的效用以进行识别。鉴于任意面部识别网络，在这项工作中，我们提出了一种无培训方法来评估面部图像的像素级质量。为此，估计输入图像的特定模型质量值并用于构建特定于样本的质量回归模型。基于该模型，基于质量的梯度被回到传播并转换为像素级质量估计。在实验中，我们基于真实和人工扰动的基于实际和人工障碍来定量和定量地研究了像素级质量的有意义性。在所有场景中，结果表明，所提出的解决方案产生有意义的像素级质量。该代码可公开可用。

The previous fine-grained datasets mainly focus on classification and are often captured in a controlled setup, with the camera focusing on the objects. We introduce the first Fine-Grained Vehicle Detection (FGVD) dataset in the wild, captured from a moving camera mounted on a car. It contains 5502 scene images with 210 unique fine-grained labels of multiple vehicle types organized in a three-level hierarchy. While previous classification datasets also include makes for different kinds of cars, the FGVD dataset introduces new class labels for categorizing two-wheelers, autorickshaws, and trucks. The FGVD dataset is challenging as it has vehicles in complex traffic scenarios with intra-class and inter-class variations in types, scale, pose, occlusion, and lighting conditions. The current object detectors like yolov5 and faster RCNN perform poorly on our dataset due to a lack of hierarchical modeling. Along with providing baseline results for existing object detectors on FGVD Dataset, we also present the results of a combination of an existing detector and the recent Hierarchical Residual Network (HRN) classifier for the FGVD task. Finally, we show that FGVD vehicle images are the most challenging to classify among the fine-grained datasets.

The automated synthesis of correct-by-construction Boolean functions from logical specifications is known as the Boolean Functional Synthesis (BFS) problem. BFS has many application areas that range from software engineering to circuit design. In this paper, we introduce a tool BNSynth, that is the first to solve the BFS problem under a given bound on the solution space. Bounding the solution space induces the synthesis of smaller functions that benefit resource constrained areas such as circuit design. BNSynth uses a counter-example guided, neural approach to solve the bounded BFS problem. Initial results show promise in synthesizing smaller solutions; we observe at least \textbf{3.2X} (and up to \textbf{24X}) improvement in the reduction of solution size on average, as compared to state of the art tools on our benchmarks. BNSynth is available on GitHub under an open source license.