使用生成模型找到脸部图像中感知属性的语义编辑，综合考虑保持身份和改变感知属性之间的权衡，以改变脸部图像中的任何输入脸沿属性轴的转换。通过预测模型和人类评分，在真实和合成脸上进行培训和评估，证明了我们方法的普适性，最终可用于理解和解释与身份无关的对面部主观解释中的偏见。

Sep, 2023

本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法，并在新的面部属性数据集上进行了实证分析，结果显示该方法相对于基线方法在多个面部属性上均有显著提升。

May, 2016

研究表明，我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度，同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好，并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上，我们的实验获得了令人信服的结果，并得出了一些有意义的社会学结论。

Oct, 2015

通过实验研究探究神经网络如何处理和储存面部表情数据，并将这些数据与人类产生的各种心理属性相联系，表明深度学习模型在理解人类情绪和认知过程方面具有潜力，非欧几里德空间视角下的认知产品或心理属性的多样化可视化解释不仅提供了对 AI 的可解释性的新见解，还推动了 AI 技术在心理学领域的应用和心理信息处理的新的理论理解。

Apr, 2024

本文介绍了解释性和可解释性对于决策支持系统的两个关键方面，并探索了这些方面在计算机视觉中的应用，特别是在人类行为分析方面。文章描述了一个挑战，旨在提升解释性在第一印象分析中的应用。通过对引入的数据集，评估协议的详细分析和解释性挑战的结果，总结研究机会，并确定为解释性计算机视觉领域的发展制定规划。

Feb, 2018

本文研究了各种影响人格认知的可能偏见源，包括面部表情情绪、吸引力、年龄、性别和种族，以及它们对表观人格估计的影响。使用多模态深度神经网络，综合音频和视觉信息，以及特定属性模型的预测来回归表观人格，并在 ChaLearn First Impressions 数据集上展示了最新的结果。此外，还提供了一种可解释性的网络设计，对每种可能的偏见源对最终网络预测的影响进行了增量分析。

Sep, 2019

本篇论文系统总结了基于视觉计算的表观性格特征识别的现有方法，讨论比较了这些方法的独特特点和限制；同时也讨论了该领域未来的研究方向和数据标注 / 评估的主观性问题，还简要回顾了当前数据集和挑战。

Apr, 2018

本论文尝试通过利用深度学习的卷积神经网络 (CNN) 的特征表示技术，并结合传统的人脸定位技术来构建人脸描述子，并使用它进行人脸属性预测，实验结果表明，该方法与目前最先进的方法完全可以匹敌，同时也提出了一个重要的问题：如何利用 CNN 特征表示技术解决一些新颖的问题。

Feb, 2016

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

Apr, 2018