本研究提出了一种基于空间 - 时间关系和注意力机制的面部动作单元检测框架，其中使用了空间 - 时间图卷积网络来捕捉动态面部动作单元的空间和时间关系，并使用自适应学习的边界权重来形成关系图。此外，为了学习 AU 之间的时空关系，我们提出了一种注意力机制，以自适应地学习区域注意力，并通过抑制不相关区域来提取每个 AU 的完整特征。实验结果显示，我们的方法在 BP4D 和 DISFA 基准测试中实现了显著的改进。

Jan, 2020

提出一种深度学习框架来解决面部分析中动作单元检测中不同面部区域的对齐问题、时间信息的有效融合问题、以及多标签模型的训练问题，该方法结合了 ROI 适应性、多标签学习和基于 LSTM 的时间融合，评估结果表明，相较于现有技术在 BP4D 和 DISFA 数据集上，该方法平均提高 13％和 25％的检测准确率，取得了显著的性能提升。

Apr, 2017

本文提出了一种基于深度学习的端到端注意力关系学习框架，用于面部动作单元（AU）检测。通过自适应地学习通道和空间注意力以选择和提取与 AU 相关的局部特征，并进一步捕获 AU 的像素级关系以提炼更多相关的局部特征，该方法在 AU 检测和强度估计方面均优于目前最先进的方法，并能在严重的遮挡和大姿态下工作。

Aug, 2018

本文提出了一种综合模型多尺度面部动作单元相关的动态和分层时空关系，以实现面部动作单元的发生识别。实验结果表明，该方法在面部动作单元发生识别领域具有新的最先进水平。

Apr, 2024

本研究提出了一种自监督对比学习方法，从大量未标注的面部视频中学习面部动作单元的表示，以解决缺乏数据的问题，并通过跨身份重建机制学习人物无关的表示。实验结果表明，所学习的面部动作单元表示对于动作单元检测具有较好的区分度，并且在自监督和有监督的动作单元检测方法之间显著减小了性能差距。

Mar, 2024

通过引入一种增强的对比学习框架并结合监督和自监督信号，以获取具有区分性的特征，本研究通过样本采样、重加权策略以及损失函数 AUNCE 等方法，针对面部运动单元（AU）检测中困扰的像素级学习问题、标签噪音和 AU 类型不平衡等挑战，取得了优于最先进方法的优秀性能。

Feb, 2024

本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。

Mar, 2018

本文提出了一种基于自监督学习方法的区域和时序辅助任务学习框架（RTATL），通过考虑面部动作单元（AU）的属性，设计了 RoI 修复和基于单张图像的光流估计两个辅助任务，以更好地捕捉 AU 的局部特征、相互关系和运动线索，并在 BP4D 和 DISFA 数据集上进行了广泛的实验，在 AU 识别方面取得了最新的最优性能。

Jul, 2021

提出了一种自适应 AU 相关性学习方法，通过在网络的不同阶段高效利用不同级别的 AU 运动和情感表示信息，自适应地学习和更新 AU 相关图，并结合多尺度特征学习方法，实现更强大的面部行动单元检测表现。

Aug, 2023

本文介绍了一个基于深度学习和元学习的人脸动作单元检测方法，可以在处理新的任务（新的单元或主体）时快速地适应，并在 BP4D 和 DISFA 数据集上通过测试，证明使用少量标记样本即可实现模型的适应。

Sep, 2019