介绍了一种采用半监督学习方法，在没有 3D 地标数据集的情况下，通过直接提取（可见的）手工标记的 2D 地标，并确保更好的定义对齐，从而学习 3D 地标。该方法利用 3D 感知的生成对抗网络进行更好的多视角一致性学习，并利用实景多帧视频进行鲁棒的跨领域泛化。实证实验证明，该方法不仅在 2D-3D 地标之间实现了更好的定义对齐，还在 3DMM 标记和摄影测量基准数据集上优于其他监督学习的 3D 地标定位方法。

May, 2024

本文研究了关键点检测中使用的无监督学习方法，重点介绍了其不能生成等变中间卷积特征的问题，并提出了一种两步无监督方法，该方法通过首先学习强大的基于像素的特征，然后使用预训练的特征来通过传统的等变性方法学习关键点检测器。在多个挑战性的标志性检测数据集上实现了最先进的结果，例如 BBC Pose 数据集和 Cat-Head 数据集，并在一系列基准测试中表现出色。

Apr, 2021

本文基于教师与学生之间的交互机制，利用无标签数据来生成更可靠的伪标签，有利于半监督人脸关键点检测，经过在 300-W 和 AFLW 基准测试上广泛的实验表明，教师与学生之间的交互机制有助于更好地利用无标签数据，并实现了最先进的性能。

Aug, 2019

本文介绍了一种 LEAD 方法，用于从未注释的类别特定图像集合中发现地标。通过采用两阶段训练方法，该方法增强了自监督学习中密集等变表示的学习，并在极度有限的注释数下提高了地标检测的性能，同时提高了跨尺度变化的泛化能力。

Apr, 2022

本文提出一种新的面部标记检测方法，通过使用样式转换来增加每个个体的分离样式和形态空间，得到增强的合成样本，进而构建了一种半监督模型，实现了在 WFLW 数据集上的最先进结果。

Aug, 2019

本文提出一种基于深度学习的新型概率模型，解决人脸关键点检测中存在的语义模糊问题，并提出了全局热力图校正单元进行精确定位，并通过图像和视频数据库的实验证明本文方法能够显著提高人脸关键点检测的精确性。

Mar, 2019

自我训练（self-training）方法在处理确认偏倚问题上具有重要作用，但在地标检测领域应用时面临着自适应选择伪标签、确定样本选择阈值和选择自训练的困难等问题。为了解决这些问题，本文提出了自我训练地标检测（STLD）方法，使用任务学习计划代替显式伪标签选择，从而达到从有信心到无信心任务逐步迁移的目的，并通过伪预训练和收缩回归两个重要组成部分实现，实验证明 STLD 在半监督和全监督设置下均优于现有方法。

Apr, 2024

本文提出了一种采用 LaplaceKL 目标和对抗训练框架的深度学习方法，处理具有挑战性数据的面部地标检测技术，并通过使用未标记的数据来提高模型性能，具有实时表现、实用价值，并在所有的 300W 基准测试中取得最佳效果及在人脸地标的 AFLW 数据集中排名第二。

Mar, 2019

本文介绍了一种半监督的方法，使用少量标记图像和大量未标记图像同时学习关键点热图和姿态不变的关键点表示，关键点表示的语义一致性约束加以保证，并通过特征空间将图像及其扩充副本的关键点表示紧密地联系在一起，以实现对于人类和动物身体特征点的本土化定位，并在多项基准测试中显著优于先前的方法。

Jan, 2021

这篇论文主要探讨了人脸标记探测器的实际应用中存在的三个重要问题，并展示了如何通过特定的架构改进来提高其准确性和时间稳定性。

May, 2024