使用基于深度学习和三元组概率约束的低维高效嵌入的方法能够解决无约束人脸验证的问题，同时具有较好的性能和广泛的鲁棒性。

Apr, 2016

本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

Jun, 2015

提出了一种结合深度卷积神经网络和三元组相似性约束的低维判别嵌入的无约束人脸验证算法，在 IJB-A 数据集上显示出超越现有方法的性能提升和内存优化的优点。

Feb, 2016

本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

Feb, 2019

针对面部验证应用所需要效率极高和吞吐量大的需求，本文提出了基于混合深度卷积核的一组极其高效的深度学习模型 MixFaceNets，在多个数据集中对模型进行了评估，结果表明在计算复杂度相同的情况下，MixFaceNets 在所有的数据集上性能优于 MobileFaceNets，同时在计算复杂性在 500M 和 1G FLOPs 之间时，我们 MixFaceNets 的结果与排名前几位的模型相当，同时使用的 FLOPs 更少，验证了我们提出的 MixFaceNets 的实用价值。

Jul, 2021

提出了一种名为 GroupFace 的面部识别特定的网络结构，利用多个分组感知表示同时提高嵌入特征的质量，并通过提供自分布标签来证明其有效性，同时学习可以缩小目标身份搜索空间的分组感知表示，最终在多个公共数据集上实现了 1:1 面部验证和 1:N 面部识别任务的显着改进。

May, 2020

该论文提出了一种名为 BroadFace 的新颖方法，用于面部识别，其中使用了线性分类器、优化和补偿方法以提高准确性和效率，并在各种数据集上进行了广泛的实验证明其有效性和优越性。

Aug, 2020

本篇论文提出使用 DeepID3 算法来进行人脸识别，使用了卷积神经网络和 Inception 层，并采用监督信号技术来训练神经网络，最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。

Feb, 2015

研究通过有效的神经模型 $f$ 进行面部验证的问题。该模型的高效性源于将面部验证问题简化为二进制问题，并且每个用户都有自己的神经网络 $f$。为了在训练集中实现不同个体之间的信息共享，我们并未直接训练 $f$，而是使用超网络 $h$ 生成模型权重。该方法生成了一种紧凑的个性化面部识别模型，可部署在边缘设备上。该方法的关键在于创造性地生成困难样本并精心安排训练目标。我们的模型仅需 23k 参数和 5M 浮点运算（FLOPS），并且使用六个面部验证数据集证明我们的方法与最先进的模型相媲美或更好，同时参数数量和计算负荷显著减少。此外，我们进行了广泛的剔除研究以证明我们方法中每个元素的重要性。

Dec, 2023

文章介绍了一种新的训练方法 FaceFusion，它创建了不同数据集的融合视图，同时使用端到端的方式训练嵌入网络，这样能够针对整个不同数据集的频谱提高性能。实验证实了我们的方法的卓越性能，超过了使用单个训练数据集以及以前已知方法在各种训练情况下的性能。

May, 2023