介绍了一个名为 VGGFace2 的大规模人脸数据集，其中包含来自 Google Image Search 的 3,310,000 张 9131 个主体的照片，通过训练在数据集上的卷积神经网络，我们展示了在所有 IARPA Janus 面部识别基准测试上的最新成果表现。

Oct, 2017

该研究介绍了 WIDER FACE 数据集，比现有数据集大 10 倍。数据集包含繁多的注释，如遮挡、姿势、事件类别和人脸边界框等，因此对人脸检测领域具有极高挑战性。通过对多个代表性检测系统进行基准测试，提出了识别大尺度变差的解决方案，并讨论了常见的失败案例以及未来方向。

Nov, 2015

本文提出了一系列面部识别研究的挑战和现有方法未能覆盖的问题，构建了一个包含人脸各种问题（如天气恶劣、运动模糊、焦距模糊等）的新数据集，并对现有方法的性能进行了深入分析与比较。研究表明，现有 state-of-the-art detectors 的表现与实际需求之间存在较大差距，为了推进 unconstrained face detection 的进一步研究，我们提供了一个新的注释数据集 UFDD，并提供了基准线结果，该数据集和结果已公开发布。

Apr, 2018

本论文介绍了 4DFAB 这个新的大型动态高分辨率 3D 人脸数据库的构建与多种应用，包括但不限于面部表情识别、行为生物特征识别、强力面部行为混合形状参数化模型的学习等，该数据库可公开获取以作进一步研究目的。

Dec, 2017

提出了一个包含大量标注的动物面部数据集，可用于面部对齐、检测和细粒度识别等多项应用，尤其对监测动物面部行为具有重要的启示作用，有助于改善动物医疗保健并推动计算机视觉算法相关技术的进步

Sep, 2019

本文介绍了一个基于 VGGFace2 数据集构建的被称为 MAADFace 的人脸注释数据库，该数据库包含超过 9k 个人的 3.3M 张脸，总共包含 47 个外貌属性标记，提供了比 CelebA 和 LFW 多 15 到 137 倍的属性标签，并探讨了软生物特征识别的可行性和有关属性对真伪决策的支持。

Dec, 2020

AI 生成的人脸已经丰富了人类的生活，但也存在滥用风险。为了缓解偏见，设计算法公平方法是关键，然而当前检测器在不同人群中表现出偏见。本研究引入了 AI-Face 数据集，该数据集是首个具备人口属性注释的、包括真实人脸、deepfake 视频中的人脸以及由生成对抗网络和扩散模型生成的人脸的百万级 AI 生成人脸图像数据集。基于该数据集，我们进行了首次全面的公平性评估，评估了各种 AI 人脸检测器，并提供有价值的见解和发现，以推动未来公平设计 AI 人脸检测器。我们的 AI-Face 数据集和评估代码在此 https URL 上公开可用。

Jun, 2024

该研究介绍了一个多视角，高分辨率的人脸数据集，通过进行替代卷积编码器及对条件对抗网络（VAE）进行验证，对研究区域的深度插值进行了实验讨论。

Jul, 2022

本论文探讨了人脸识别方面的几个问题，例如如何在图像和视频里训练系统、深度数据集是否比宽度数据集更好、添加标签噪音是否可以提高深度神经网络性能以及对齐是否对于人脸识别必须。作者在 CASIA-WebFace、UMDFaces 和新的视频数据集上训练了 CNN，并在 YouTube-Faces、IJB-A 和 UMDFaces 的不相交部分上测试。他们的新数据集包括 22,075 个视频和 3,735,476 个人工注释的帧。

May, 2017

本文研究基于深度学习技术的面部识别、年龄估计、性别识别和亲属关系验证模型中存在的人口统计学偏差，并通过引入规模最大、最全面的面部图像和视频数据集及手动注释，揭示了基于最先进模型的拟合性能和偏差，最后引入和验证了去偏嵌入网络的方法。

May, 2020