القياس الفيزيولوجي القائم على الكاميرا هو مجال نامي، حيث تقدم النماذج العصبية أداءً يتفوق على الأداء الحالي. قد استكشفت البحوث السابقة أنواعًا مختلفة من النماذج "من البداية إلى النهاية" (end-to-end)؛ ومع ذلك، لا تزال هذه الأساليب تتطلب عدة خطوات معالجة مسبقة. غالبًا ما تكون هذه العمليات الإضافية صعبة التنفيذ، مما يجعل التكرار والنشر صعبين وقد يكون لها ميزانية حسابية أعلى حتى من الشبكة "الأساسية" (core) نفسها. في هذا البحث، نقترح نموذجين عصبيين جديدين وكفاءيين للقياس الفيزيولوجي القائم على الكاميرا يُطلق عليهما EfficientPhys، والذي يزيل الحاجة إلى اكتشاف الوجه، والتقسيم، والت.Normalize، وتحويل مساحة الألوان أو أي خطوات معالجة مسبقة أخرى. باستخدام إدخال يتكون من الإطارات الفيديوية الخام، تحقق نماذجنا أداءً قويًا على ثلاثة مجموعات بيانات عامة. نوضح أن هذا صحيح سواء تم استخدام هيكل متغير (transformer) أو هيكل تلافيفي (convolutional). كما نقيم زمن الاستجابة للشبكات المقترحة ونوضح أن شبكتنا الأكثر خفة تحقق أيضًا تحسينًا بنسبة 33٪ في الكفاءة.