本文介绍了一个 DP Depth/Normal 网络，通过收集超过 135K 张 DP 面部数据实现了 3D 面部几何重建，该网络具有自适应采样模块和自适应法线模块，可处理 DP 图像中的虚焦模糊区域，并实现了是取得最新的 DP-based 深度 / 法线估计方法的最优表现，同时也展示了该面部深度 / 法线估计在面部欺骗和光照方面的应用。

Nov, 2021

提出了 DP2MFD 算法，它基于 Deformable Part Models 和深度金字塔特征来检测各种大小和姿态的人脸，通过在深度卷积神经网络上添加归一化层来减少 DPM 在深层特征训练和测试中的差距，通过在四个公开的人脸检测数据集上的广泛实验表明，该方法能够捕捉人脸的有意义的结构，并且比许多竞争性的人脸检测算法表现得更好。

Aug, 2015

本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案，包括面部检测、特征定位和人脸验证等环节，并在许多测试数据集上达到了最新水平。

Sep, 2018

KPNet 提出了一种基于小型神经网络检测面部关键点的方法，可以快速准确地推断面部边界框的位置，其具有实时性和较高的准确率。

Mar, 2020

本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法，不仅不需要姿态或者地标注释，而且能够探测多个视角下人脸的位置，并且表现出与其他方法相当或优于其他更为复杂的方法。

Feb, 2015

利用深度学习技术提高了 faster RCNN 的性能，实现人脸检测领域的最新技术并在 FDDB 数据集上表现出优异的 ROC 曲线。

Jan, 2017

本文提出了一种名为 MS-FRCNN 的新方法，它可以鲁棒地检测在面临各种困难的情况下搜集的图像中的人类面部区域，基于 Wider Face 数据库和 Face Detection 数据集与基准（FDDB）对比表明，该方法在各种情况下相对于其他最新的人脸检测方法，始终保持高度竞争力的最新表现。

Dec, 2016

这篇论文介绍了一种高效、全自动的方法，可以在自由 2D 图像中进行 3D 人脸形状和姿态估计，并使用基于改进的 U-Net 神经网络架构的单一传递联合估计稠密的 3D 关键点和面部几何，此外，还提出一种直接估计 3D 可塑模型（3DMM）参数的方法，通过估计的 3D 关键点和几何形状作为线性系统的约束，为非约束性视频序列中的预测 3D 面部关键点进行了定性建模结果和定量评估。

Aug, 2017

本文提出了一种针对边缘设备的轻量级和高速人脸检测器，其方法是基于无锚点的一阶段检测，通过重新考虑感受野和有效感受野（ERF）之间的关系来实现多尺度的连续人脸检测。综合实验结果表明，该方法在多个数据集上取得了更高的准确度和更快的推断速度。

Apr, 2019

本文利用加速技术，设计了一个紧凑的人脸特征点检测模型，在不同的自然环境下，如不受限制的姿态、表情、光照和遮挡，取得了很高的检测精度和超快的速度，通过旋转信息的估计进行几何规范化特征定位，同时还采用不同样本权重的一种新误差函数，用于平衡数据不均衡的问题，并在多个面部特征检测数据集上表现出卓越的性能。

Feb, 2019