近期，我院黄培凯博士在生物特征安全与非接触式生理感知领域取得系列重要研究进展，五项研究成果相继发表于国际权威学术期刊《IEEE Transactions on Information Forensics and Security》（CCF A类）、《Pattern Recognition》（CCF B类）及《Expert Systems with Applications》。该系列研究围绕人脸反欺骗与远程生理信号感知两大方向，从多模态特征融合、复杂环境干扰抑制、超短时生理信号重建及跨域自适应学习等多个技术角度展开创新探索，为提升复杂场景下人脸身份认证的安全性、非接触式生理信号监测的准确性与鲁棒性提供了新的技术思路与解决方案。
研究成果一：成果面向非接触式生理信号检测中环境干扰复杂、传统无监督方法估计精度不足的问题，提出了一种基于干扰消除与判别性特征学习的无监督远程光电容积脉搏波（rPPG）估计网络（DD-rPPGNet）。该方法通过挖掘局部时空相似性建模干扰特征，设计两阶段干扰消除策略，并结合三维可学习描述性卷积，有效抑制环境干扰并增强微弱生理信号的表征能力。在五个公开数据集上的实验表明，该方法优于现有无监督方法，并达到与先进监督方法相当的性能。该成果以“De-Interfering and Descriptive Feature Learning for Unsupervised rPPG Estimation”为题，发表于中国计算机学会（CCF）推荐的A类期刊《IEEE Transactions on Information Forensics and Security》。该论文福建师范大学为第一单位，论文第一作者为我院黄培凯博士。
图1. 研究成果一技术路线示意图
论文链接：https://ieeexplore.ieee.org/document/10981460
研究成果二：该成果面向非接触式生理信号检测中跨域环境差异显著、传统模型泛化能力不足的问题，提出了一种基于合成信号引导特征学习的完全测试时自适应rPPG估计框架。该方法通过合成生理信号引导潜在特征生成，并设计基于频谱熵最小化的自适应学习策略，有效缓解模型在跨域适应过程中的过拟合与知识遗忘问题，提升对未知场景及不同心率分布的适应能力。实验结果表明，该方法在多数测试协议下优于现有域泛化与域适应方法。该成果以“Fully Test-Time rPPG Estimation via Synthetic Signal-Guided Feature Learning”为题，发表于中国计算机学会（CCF）推荐的B类期刊《Pattern Recognition》。该论文福建师范大学为第一单位，论文第一作者为我院黄培凯博士。
图2. 研究成果二技术路线示意图
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320325007629
研究成果三：该成果面向人脸反欺骗任务中伪造特征辨识能力不足、跨域泛化性能受限的问题，提出了一种基于多重监督策略的增强型视觉Transformer人脸反欺骗框架（LDCformer）。该方法设计了双重注意力监督、自挑战学习及过渡式三元组挖掘三种创新训练策略，通过强化局部细粒度伪造特征学习、构建高难度训练样本及缩小跨域特征分布差异，有效提升模型对复杂伪造攻击的辨识能力与跨域泛化性能。实验结果表明，该方法显著优于现有主流人脸反欺骗方法，展现出良好的泛化能力与应用潜力。该成果以“Enhancing Learnable Descriptive Convolutional Vision Transformer for Face Anti-Spoofing”为题，发表于中国计算机学会（CCF）推荐的B类期刊《Pattern Recognition》。该论文福建师范大学为第一单位，论文第一作者为我院黄培凯博士。
图3. 研究成果三技术路线示意图
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320326002542
研究成果四：该成果面向非接触式生理信号检测中超短视频心率估计精度不足的问题，提出了一种基于周期性引导与信号重建的超短时rPPG估计框架。该方法通过构建超短时与长时生理信号之间的周期一致性约束，并设计信号重建网络，将仅2秒的短时生理信号重建为更长时序信号，有效缓解心跳周期不足及频谱泄漏导致的估计误差，实现仅需2秒人脸视频的精准心率测量。在四个公开数据集上的实验表明，该方法优于现有主流rPPG估计方法，达到先进水平。该成果以“Ultra-Short rPPG Estimation via Periodicity Guidance and Signal Reconstruction”为题，发表于中国计算机学会（CCF）推荐的B类期刊《Pattern Recognition》。该论文福建师范大学为第一单位，论文第一作者为我院黄培凯博士。
图4. 研究成果四技术路线示意图
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320326015372
研究成果五：该成果面向非接触式生理信号检测中动态光照、运动干扰及模态缺失导致估计精度下降的问题，提出了一种基于抗噪学习、可靠性感知融合与跨光谱转换的无监督跨模态rPPG估计网络（UCros-rPPGNet）。该方法通过解耦生理信号与环境干扰特征，设计基于不确定性估计的自适应模态融合策略，并利用双向适配器实现RGB与近红外模态间的特征转换，有效提升复杂环境及模态缺失场景下的生理信号估计精度与鲁棒性。同时，构建了面向跨域干扰的多模态rPPG评测基准。实验结果表明，该方法不仅优于现有无监督方法，在部分复杂场景下甚至超越监督学习方法。该成果以“UCros-rPPGNet: Unsupervised Cross-Modal rPPG Estimation via Noise-Resistant Learning, Reliability-Aware Fusion, and Cross-Spectral Translation”为题，发表于国际权威期刊《Expert Systems with Applications》。该论文福建师范大学为第一单位，论文第一作者为我院黄培凯博士。
图5. 研究成果五技术路线示意图
论文链接：
https://www.sciencedirect.com/science/article/abs/pii/S095741742603099X
