本研究综述了人脸对齐技术在非受控环境下所遇到的挑战、方法和性能表现，并提出了未来研究的方向。

Aug, 2016

本文针对面部表情识别领域的标签偏差问题，提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别（AUC-FER）框架，实验证明该方法比现有技术更有效。

Aug, 2021

本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习，以逐步学习出最适合面部识别任务的几何变换和适当的面部区域，从而达到高精度面部识别的目的。

Jan, 2017

面部模型是人脸独特特征的数学表示。本文为入门者、从业者和研究人员提供了对用于面部对齐的不同面部模型的全面分析，包括模型的解释和训练，以及将模型拟合到新面部图像的示例。研究发现，在面部极端姿势的情况下，3D 模型更受青睐，而基于深度学习的方法通常使用热图。此外，还讨论了面部模型在面部对齐领域的可能未来发展方向。

Nov, 2023

本研究介绍了针对人脸识别中 ROC 曲线的统计版本与偏差问题，基于经验 ROC 分析，因相似度评分的 True/False Acceptance Rates 呈 U - 统计学形式，导致朴素的自助法方法不适用，需采用专门的重新校准技术，以此计算准确的 ROC 曲线。本研究采用数张人脸图像为实验数据，分析了多种基于 ROC 的公平性指标。

Nov, 2022

本文提出了一种新颖的边界感知的面部对齐算法，利用边界线作为人脸的几何结构来帮助面部标记的本地化，并从边界线中推导出人脸的标记，使标记的定义不再含糊。通过使用面部的边界信息，该方法在 300-W Fullset 上取得了 3.49％±0.07％的平均误差，比现有的最先进方法表现出色，并且可以轻松地整合来自其他数据集的信息。

May, 2018

本文批判性地分析了 Petsiuk 等人提出的 Deletion Area Under Curve (DAUC) 和 Insertion Area Under Curve (IAUC) 度量方法，在评估深度学习模型的可解释性方法的时候，这些方法忽略了显著性分数的实际值，并且可能会导致模型表现不可靠。为此，提出了新的量化解释方法的基于稀疏性和校准性的度量方法，并讨论了如何在用户研究中评估这些方法。

Jan, 2022

本论文基于对 AUC 属性的重新思考，提出了基于远邻采样的 Farthest-Neighbor AUC（FN-AUC）测量标准以及一种测量采样质量的策略，进而解决空间偏差和输出量化不存在度数时带来的问题，并提供了一种用于克服极少数值度（输出量化）的全局平滑函数。

Feb, 2020

本文提出使用 Face Alignment Policy Search (FAPS) 方法来自动寻找最佳的面部对齐模板，通过对自动化面部对齐模板的研究使得人脸识别表现有了显著的提升。

Feb, 2021

该研究针对人脸识别中的关键问题：人脸检测、人脸对齐和人脸识别，通过在同一骨干架构下进行面部识别方法的比较基准测试，提出了最新的人脸识别状态，针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。

Nov, 2022