深度三维人脸识别
本篇论文提出使用DeepID3算法来进行人脸识别，使用了卷积神经网络和Inception层，并采用监督信号技术来训练神经网络，最终取得了99.53%的LFW人脸验证准确率和96.0%的LFW排名1的人脸识别准确率。
Feb, 2015
本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法，可以通过单张照片快速、稳健地重建面部的三维几何结构，即使在极端表情和各种光照条件下也可以成功恢复面部形状。
Sep, 2016
我们提出了使用卷积神经网络进行三维面部模型重建的方法，通过大量标记数据的生成，优化了模型的准确性和稳定性，得到了超过现有方法的识别结果，实现了使用三维面部模型进行面部识别。
Dec, 2016
本论文提出了使用卷积神经网络（CNN）对具有2D影像和3D面部模型或扫描的适当数据集进行训练，以实现单个2D面部图像的三维面部几何重建，避免了模型建立和拟合的复杂流程，并演示了如何将面部标志定位集成到所提出的框架中，帮助提高重建质量。
Mar, 2017
该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建，并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。
Apr, 2017
本篇研究提出了在视频中进行情感识别的3D卷积神经网络方法，使用3D Inception-ResNet层及LSTM单元, 从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。
May, 2017
本文提出了一种融合低质量3D数据的人脸识别系统，通过设计PointNet-like深度注册网络（DRNet）和AMSoftmax卷积神经网络，实现更高的准确率。
Oct, 2018
通过将三维面部模型与深度学习方法相结合，本研究提出了一种新的方法来增强面部分类和识别任务，从而精确分析和分类面部属性。使用三维面部模型提取各种任务的最有用信息，从而提高了分类准确性。将三维面部洞察力与ResNet结构相结合，本方法取得了显著的结果：100％个体分类准确性，95.4％性别分类准确性和83.5％表情分类准确性。这种方法有望推进面部分析和识别的研究。
Dec, 2023