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

本文介绍了一种名为 FaceNet 的系统，其通过使用卷积神经网络及三元组学习法直接将人脸图像映射到紧凑的欧几里得空间中，使得人脸识别、验证和聚类等任务可使用 FaceNet 嵌入作为特征向量，仅使用 128 字节每个人脸即可实现最先进的人脸识别性能，其在 LFW 和 YouTube Faces DB 两个数据集上的表现都创造了最新纪录。同时，本文还提出了谐波嵌入的概念和谐波三元组损失，以描述不同网络产生的面部嵌入版本以及它们之间的直接比较。

Mar, 2015

本文提出了一种基于深度卷积特征的无限制人脸验证算法，并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。

Aug, 2015

本篇研究论文介绍了一种深度学习系统，基于卷积神经网络，包括面部检测、定位、对齐和验证模块等，用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A， JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估，并讨论了 DCNN 面部验证问题的一些开放性问题。

May, 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

本文在嘈杂标签的假设下，使用 Triplet Loss 训练卷积神经网络学习能区分特征，并通过 K-means 和相关聚类评估三种 Triplet Loss 公式的聚类性能，提出一个新的公式优于现有方法，应用于 CIFAR-10 图像分类数据集。

Jul, 2020

通过深度学习训练的 DeepID2 特征结合人脸识别和验证信号能够有效地减少人脸识别中的人际差异和人内差异并实现高辨识率。

Jun, 2014

该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数 ——batch triplet loss，通过降低正负分数的标准差来改善 triplet loss 的性能，同时在 LFW 数据集中得到了显著的改进。

Jul, 2017

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

通过利用自动编码器将面部图像向量转化为新的表示，本研究提出一种缩小有标签训练数据差距的方法，从而在无监督的人脸验证技术方面取得了 56％的 EER 相对改进，成功缩小了余弦和 PLDA 评分系统之间的性能差距。

Dec, 2023