Kamera-basierte physiologische Messung ist ein sich stetig entwickelndes Forschungsgebiet, bei dem neuronale Modelle den Stand der Technik darstellen. Frühere Studien haben verschiedene "End-to-End"-Modelle untersucht; jedoch erfordern diese Methoden immer noch mehrere Vorverarbeitungsschritte. Diese zusätzlichen Operationen sind oft nicht trivial zu implementieren und erschweren die Reproduktion und Bereitstellung. Sie können sogar einen höheren Rechenbedarf als das "Kern"-Netzwerk selbst haben. In dieser Arbeit schlagen wir zwei neuartige und effiziente neuronale Modelle für kamera-basierte physiologische Messungen vor, die unter dem Namen EfficientPhys firmieren und die Notwendigkeit von Gesichtserkennung, Segmentierung, Normalisierung, Farbraumtransformation oder anderen Vorverarbeitungsschritten eliminieren. Mit rohen Videobildern als Eingabe erreichen unsere Modelle ausgezeichnete Ergebnisse in drei öffentlichen Datensätzen. Wir zeigen, dass dies sowohl bei der Verwendung eines Transformer- als auch eines Faltungsbackbones der Fall ist. Darüber hinaus evaluieren wir die Latenz der vorgeschlagenen Netze und demonstrieren, dass unser leichtestes Netzwerk eine Effizienzsteigerung von 33 % erzielt.