SDFR: Synthetic Data for Face Recognition Competition
Idiap Research Institute（伊迪亚普研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Université de Lausanne (UNIL)（洛桑大学）；University of Bologna（博洛尼亚大学）；Fraunhofer Institute for Computer Graphics Research (IGD)（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）；Universidad de Alicante（阿利坎特大学）；Facephi Biometria SA（Facephi生物识别公司）；Federal University of Paraná (UFPR)（巴拉那联邦大学）；Federal Institute of Mato Grosso (IFMT)（马托格罗索联邦学院）；unico - idTech（unico - 身份技术公司）；Universidad Autonoma de Madrid (UAM)（马德里自治大学）；Università degli Studi di Cagliari (UNICA)（卡利亚里大学）
Large-scale face recognition datasets are collected by crawling the Internet and without individuals' consent, raising legal, ethical, and privacy concerns. With the recent advances in generative models, recently several works proposed generating synthetic face recognition datasets to mitigate concerns in web-crawled face recognition datasets. This paper presents the summary of the Synthetic Data for Face Recognition (SDFR) Competition held in conjunction with the 18th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024) and established to investigate the use of synthetic data for training face recognition models. The SDFR competition was split into two tasks, allowing participants to train face recognition systems using new synthetic datasets and/or existing ones. In the first task, the face recognition backbone was fixed and the dataset size was limited, while the second task provided almost complete freedom on the model backbone, the dataset, and the training pipeline. The submitted models were trained on existing and also new synthetic datasets and used clever methods to improve training with synthetic data. The submissions were evaluated and ranked on a diverse set of seven benchmarking datasets. The paper gives an overview of the submitted face recognition models and reports achieved performance compared to baseline models trained on real and synthetic datasets. Furthermore, the evaluation of submissions is extended to bias assessment across different demography groups. Lastly, an outlook on the current state of the research in training face recognition models using synthetic data is presented, and existing problems as well as potential future directions are also discussed.
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所）；TU Darmstadt（达姆施塔特工业大学）；Norwegian University of Science and Technology（挪威科技大学）；TYAI；VICOMTECH；University of the Basque Country（巴斯克大学）；Istanbul Technical University（伊斯坦布尔理工大学）；ACES, Inc（ACES公司）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
OCFR 2022: Competition on Occluded Face Recognition From Synthetically Generated Structure-Aware Occlusions
INESC TEC（国家科学与工程计算技术研究所（INESC TEC））；University of Porto（波尔图大学）；Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所IGD）；TU Darmstadt（达姆施塔特工业大学）；CDTA Centre de Développement des Technologies Avancées（先进技术发展中心CDTA）；ESI Ecole Nationale Supérieure d’Informatique（国立高等计算机学院ESI）；SiMiT Lab（SiMiT实验室）
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所）；TU Darmstadt（达姆施塔特工业大学）；Khalifa University（哈利法大学）；University of Ljubljana（卢布尔雅那大学）；Halmstad University（哈尔姆斯塔德大学）；Idiap Research Institute（伊迪亚普研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Université de Lausanne (UNIL)（洛桑大学）；University of Coimbra（科英布拉大学）；Norwegian University of Science and Technology（挪威科技大学）
Grand Challenge of 106-Point Facial Landmark Localization
JD AI（京东人工智能）；Institute of Automation, Chinese Academic of Sciences（中国科学院自动化研究所）；Baidu Inc.（百度公司）；University of Science and Technology of China（中国科学技术大学）；Vision and Image Center of Meituan（美团视觉与图像中心）
3D High-Fidelity Mask Face Presentation Attack Detection Challenge
MUST（澳门科技大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技研究院，明略科技）；University of Oulu（奥卢大学）；NLPR, CASIA（中国科学院自动化研究所模式识别国家重点实验室）；SAI, UCAS（中国科学院大学人工智能学院）；ChaLearn；CVC, UB（巴塞罗那大学计算机视觉中心）；INAOE（国家天体物理、光学和电子学研究所）；CINVESTAV（研究与高级研究中心）；CAIR, HKISI, CAS（中国科学院香港创新研究院人工智能与机器人创新中心）；Baidu Research（百度研究院）
Surveillance Face Presentation Attack Detection Challenge
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子研究所）；CAS（中国科学院）
Cross-ethnicity Face Anti-spoofing Recognition Challenge: A Review
Beijing Jiaotong University（北京交通大学）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子研究所）；Beihang University（北京航空航天大学）；Baidu Research（百度研究院）；Westlake University（西湖大学）
人脸反欺骗对于防止人脸识别系统的安全漏洞至关重要。由于深度神经网络的优异性能和大数据集的可用性，生物识别社区最近取得了令人印象深刻的进展。虽然种族偏见已被证实严重影响人脸识别系统的性能，它仍然是一个开放的人脸反欺骗的研究问题。最近，一个多种族人脸反欺骗数据集CASIA-SURF CeFA已经发布，其目标是测量种族偏见。它是迄今为止最大的跨种族人脸反欺骗数据集，涵盖$3$种族，$3$模式，$1,607$主题，2D加3D攻击类型，以及最近发布的人脸反欺骗数据集中第一个包含明确种族标签的数据集。我们组织了Chalearn Face Anti-spoofing Attack Detection Challenge，其中包括单模态（例如，RGB）和多模态（例如，RGB，深度，红外（IR））围绕这一新资源进行跟踪，以促进旨在减轻种族偏见的研究。两个赛道在开发阶段都吸引了$340$团队，最终分别有11支和8支团队在单模态和多模态人脸反欺骗识别挑战赛中提交了代码。所有的结果都经过组织团队的验证和重新运行，结果用于最终排名。本文概述了挑战，包括其设计，评估协议和结果总结。我们分析排名靠前的解决方案，并从竞争中得出结论。此外，我们还概述了今后的工作方向。
SYN-MAD 2022: Competition on Face Morphing Attack Detection Based on Privacy-aware Synthetic Training Data
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所IGD）；TU Darmstadt（达姆施塔特工业大学）；Norwegian University of Science and Technology（挪威科技大学）；INESC TEC（葡萄牙国家工程与系统科学技术研究所）；University of Porto（波尔图大学）；Yoonik；Vaelsys R&D（Vaelsys研发公司）；University of Ljubljana（卢布尔雅那大学）
SynFacePAD 2023: Competition on Face Presentation Attack Detection Based on Privacy-aware Synthetic Training Data
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）；Universidad Autonoma de Madrid（马德里自治大学）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）；ID R&D, Inc.（ID R&D公司）；Sichuan University（四川大学）；Harbin Institute of Technology（哈尔滨工业大学）
Evaluation of Momentum Diverse Input Iterative Fast Gradient Sign Method (M-DI2-FGSM) Based Attack Method on MCS 2018 Adversarial Attacks on Black Box Face Recognition System
Hybrid Generative Fusion for Efficient and Privacy-Preserving Face Recognition Dataset Generation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）；BDKM, University of Chinese Academy of Sciences（中国科学院大学BDKM）
CelebA-Spoof Challenge 2020 on Face Anti-Spoofing: Methods and Results
Beijing Jiaotong University（北京交通大学）；SenseTime Research（商汤科技研究院）；S-Lab, Nanyang Technological University（南洋理工大学S-Lab）；Amazon Web Services（亚马逊云服务）；ZOLOZ；Meituan（美团）；Vision Intelligence Center of Meituan（美团视觉智能中心）
Human Identification at a Distance: Challenges, Methods and Results on the Competition HID 2025
Shenzhen Polytechnic University（深圳职业技术大学）；Fujitsu Research and Development Center Company Ltd.（富士通研发有限公司）；Beijing Jiaotong University（北京交通大学）；South China University of Technology（华南理工大学）；Shandong University（山东大学）；EVERSPRY；Wuhan University of Technology（武汉理工大学）；Sun Yat-sen University（中山大学）；Shanghai Jiao Tong University（上海交通大学）；Fujitsu Ltd.（富士通株式会社）；Huazhong University of Science and Technology（华中科技大学）；Hefei University of Technology（合肥工业大学）；Peking University, Shenzhen Graduate School（北京大学深圳研究生院）；Beijing Normal University（北京师范大学）；Watrix Technology Limited Co. Ltd.（华智科技有限公司）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Cordoba（科尔多瓦大学）；University of East London（东伦敦大学）；Southern University of Science and Technology（南方科技大学）
Are Face and Object Recognition Independent? A Neurocomputational Modeling Exploration
人脸和物体识别能力是独立的吗？尽管人们普遍认为它们是，Gauthier et al.（2014）最近表明，随着非面孔类别的经验增加，这些能力变得更加相关。他们认为，随着经验的增长，有一种潜在的视觉能力v，它在面部和非面部类别的表现中表达出来。通过使用剑桥面部记忆测试和范德比尔特专业技能测试，他们发现剑桥面部记忆测试和范德比尔特专业技能测试之间的共享方差随着经验的增加而单调增加。在这里，我们解决为什么共享资源在不同的视觉领域不会导致竞争和能力的负相关？我们解释这个难题使用我们的面部和对象处理的神经计算模型（模型，TM）。我们的研究结果表明，在行为数据中，下级人脸和物体识别准确性之间的相关性随着经验的增加而增加。我们建议，不同的域不竞争资源，因为相关的功能之间共享的面孔和对象。经验的基本力量是为面孔产生一种“扩展变换”，这种变换概括为必须个性化的对象。有趣的是，当网络的任务是基本级别分类时，没有观察到域之间的相关性增加。因此，我们的模型预测，重要的是经验的类型，相关性的来源是在梭状回面部区域，而不是在支持基本水平分类的皮层区域。这一结果与我们先前的模型一致，该模型阐明了为什么FFA被招募用于新的专业领域（Tong等人，2008年）。
Second Competition on Presentation Attack Detection on ID Card
Hochschule Darmstadt (h-da)（德累斯顿高等学院）；Facephi company（Facephi公司）；Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究 institute）；Department of Computer Science, TU Darmstadt（图宾根大学计算机科学系）；University of Ljubljana, Faculty of Electrical Engineering（卢布尔雅那大学电子工程学院）；Incode Technologies Inc.（Incode Technologies公司）；ID VisionCenter (IDVC)（ID VisionCenter）；Idiap Research Institute（Idiap研究所）；Norwegian University of Science and Technology (NTNU)（挪威科学技术大学）；Amadeus（Amadeus公司）；Universidad de Santiago (USACH)（圣地亚哥大学）；Universidad Andrés Bello（安德烈斯·贝尔洛大学）；University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅那大学计算机与信息科学系）；Institute of Systems and Robotics（系统与机器人研究所）
City University of Hong Kong（香港城市大学）；Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Wuhan University（武汉大学）；ContinualAI Research（ContinualAI研究院）；University of Bologna（博洛尼亚大学）；University of Hamburg（汉堡大学）；Intel Labs（英特尔研究院）
