本研究提出了一个大规模的精细化人脸修饰数据集 RetouchingFFHQ，其中包含超过 50 万幅条件化修饰的图像。通过包含四种典型的人脸修饰操作和不同的修饰水平，将二元人脸修饰检测扩展为多粒度、多修饰类型和多修饰水平的问题。此外，我们提出了一种多粒度注意力模块 (MAM) 作为 CNN 主干的插件，以增强跨尺度的表示学习。通过对 RetouchingFFHQ 数据集进行广泛的实验，包括使用不同基线方法和我们提出的方法，在人脸修饰检测方面展现了良好的性能。在提出的新数据集的基础上，我们相信未来有很大的潜力来解决现实世界中细粒度的人脸修饰检测问题。

Jul, 2023

通过提出的 Face2Face 框架，包括面部修饰检测器、基于预测修饰标签的图像修复模型 FaceR 和用于处理扩散模型引起的色彩偏移的分层自适应实例归一化（H-AdaIN）模块，来解决面部修饰还原问题，并通过实验验证了我们的框架和每个模块的有效性。

Apr, 2024

该研究论文探讨了一种根据样式生成对抗网络（StyleGAN）潜在空间的简单方法，用于生成平衡且可能无偏差的合成数据集，以用于训练、规范化或评估基于深度学习的人脸识别模型，并证明了可以有效地合成任何组合的人口统计学群体。

Sep, 2023

该研究主要探讨基于深度神经网络的人脸反欺诈技术在实践中存在的族裔偏差问题，并介绍了 CASIA-SURF CeFA 跨种族人脸反欺诈数据集与 Chalearn Face Anti-spoofing Attack Detection Challenge 竞赛等相关内容及其结果

Apr, 2020

本研究提出了一种基于图像转换的敌对数据扩充方法，旨在通过转换感性种族特征的面部图像，实现每个主题的数据集平衡。实验结果表明，该方法可以减少原本不平衡的数据集中对（种族）少数群体的认知偏差，对 Softmax，CosFace 和 ArcFace 的识别表现产生积极影响

Apr, 2020

本文提出了使用卷积神经网络的监督深度学习算法来检测人工合成图像，并在 ND-IIITD 数据集上获得了 99.65％的准确度，对于区分真实图像和使用生成对抗网络（GANs）生成的图像的准确度达到了 99.83％。

Jan, 2019

本文提出了一种隐私友好的大规模人脸识别替代方案，使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此，本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法，并通过实验验证了其有效性。

Jan, 2021

通过深入分析，本文重点讨论了涉及种族、年龄和性别等因素的交叉偏见问题，提出了在当前文献中较少探索的种族、年龄和性别组合方面的性能差异。此外，本文在定量分析中引入了五个补充指标，包括不公平影响和不公平待遇指标，以克服当前主流方法中常被忽视的重要局限。研究结果表明，人脸识别系统存在普遍偏见，不仅限于种族，不同的人口统计因素导致显著不同的结果。通过揭示这些偏见及其影响，本文旨在促进进一步研究，以开发更公正、更公平的人脸识别和验证系统。

Jul, 2023

研究发现，现有的人脸识别系统往往存在对某些民族的偏见，这是因为数据中缺乏对这些民族的充分代表。本研究通过使用合成人脸图像生成方法来改变种族和肤色，以增加数据集的多样性。研究还对使用这样的数据集进行人脸识别系统的适应性进行了详细分析，并使用个体类型角度（ITA）进行真实肤色表示的评估，并使用人脸图像质量评估方法对质量特性进行分析。通过使用四种不同的系统进行全面的人脸识别系统性能分析，本研究为未来的研究工作铺平了道路，包括（i）开发特定民族和一般民族的改变模型，（ii）扩展这样的方法以创建具有多样肤色的数据库，（iii）创建代表各种民族的数据集，进一步在解决隐私问题的同时有助于减轻偏见。

May, 2024

本研究提出了一种新的度量方法，用于评估多类多人口统计分类问题中面部表情识别中的代表性和刻板印象偏见以及训练模型的残余偏见。这些度量结合在一起，可以用于研究和比较不同的偏见缓解方法。在对 Affectnet 数据集进行分析后，我们发现其中存在巨大的种族偏见和性别定型，并提供了不同人口统计属性的不同子集来训练模型。

May, 2022