本文通过使用野生标记人脸数据集（LFW）, 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响，结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响，而对比度变化和压缩失真的影响有限，但同时发现描述符计算和颜色信息对性能没有显著影响，这对未来深度学习模型的进一步优化和改进提供了启示。

Oct, 2017

本文通过实验从四个不同角度：雾化、水下、运动模糊、鱼眼，探讨了深度学习神经网络中卷积神经网络在处理污损图片分类问题上的性能变化，以及使用现有计算机视觉算法删除这些污损是否可以提高分类性能的问题。

Oct, 2018

本文通过对几种深度学习算法在不同图像噪声下的表现进行评估，研究了针对噪声鲁棒性的不同网络架构，以辅助在特定应用环境下选择最佳模型。

Jul, 2018

本文旨在研究在细粒度识别方面 CNN 输出对图像转换和噪声的敏感性，回答了如何预测 CNN 的敏感度并增强其稳健性，使用常用的 CNN 架构 (AlexNet、VGG19、GoogleNet) 进行了广泛的经验灵敏度分析，并表明了 VGG19 相比于 AlexNet 和 GoogleNet 更具有鲁棒性，但是即使对于 VGG19，微小的强度噪声也会导致 CNN 性能的巨大变化。

Oct, 2016

本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

Jun, 2016

本文探讨使用模糊图像的语义视觉任务中对基于卷积神经网络的模型的影响以及如何通过对预训练模型进行微调并加入模糊图像进行训练来提高模型精度，发现模型在隐藏层中学习生成模糊不变表示并且具有很强的模糊泛化能力，为开发实现在受模糊影响的实际世界图像上可靠操作的视觉系统提供有用的见解。

Nov, 2016

通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

Aug, 2018

深度学习在人脸识别领域近年来越来越受关注。大量的深度学习方法已被提出来解决面临的各种问题。然而，目前关于面部图像质量对深度学习方法和人类表现的影响的研究仍较少。因此，我们提出一个问题：在无约束条件下，面部图像质量对于基于深度学习的人脸识别仍然是一个挑战吗？基于此，我们对跨质量的人脸图像进行了评估，以评估深度学习方法在野外图像上的表现，并设计了一个人脸验证实验。结果表明，在深度学习中仍需要对图像质量问题进行深入研究，并且人类在建立具有大质量差异的不同人脸图像之间的关系方面具有更好的能力，称深度学习方法超过人类水平过于乐观。

Jul, 2023

分析面部识别模型在真实场景中的鲁棒性，研究表明合成退化会显著降低模型性能，强调了考虑真实世界复杂性的重要性。

Jun, 2024

本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。

Apr, 2016