本研究提出了一种新的算法，实现了对 ARL-VTF 和 TUFTS 多光谱人脸数据集的最新性能和 MILAB-VTF（B）数据集的强大性能。该算法具有广泛的适用性，稳健性和高效性，并将提出的方法与人脸正面化方法进行比较。

Aug, 2021

本研究提出了一种基于 SAGAN 的综合网络，旨在将可见人脸合成为热成像，并将热成像合成为可见人脸，在跨域匹配中取得了最先进的性能。

Apr, 2019

本文提出了一种基于生成对抗网络的可见面孔合成 (GAN-VFS) 方法，通过联合优化来自极化热成像的面孔图像。通过在训练过程中引入指导子网络来确保编码的可见特征包含更多的语义信息，结合恒等损失和感知损失实现兼顾光学真实属性和重建输出的区分特征，实验表明该方法达到了最先进的性能。

Aug, 2017

本文提出了一种利用深度神经网络来捕捉 2 种不同模式下人脸匹配问题的非线性映射关系，以达到跨模式人脸匹配的目的，并在 3 个数据集上获得了相当大的识别率提升。

Jan, 2016

本研究提出了一个基于生成对抗网络和多流特征级融合技术的新方法，将极化热成像的人脸图像合成为高质量的可见光图像，并在不同的实验协议下进行多次实验验证。

Dec, 2018

本研究提出一种新颖的方法，通过使用从可见图像中提取的属性来从输入的热图像中合成属性保留的可见图像，用于跨模态匹配和人脸验证，该方法组合了预先训练的 VGG-Face 网络和 Attribute Preserved Generative Adversarial Network（AP-GAN）技术，并在 ARL 极化人脸数据集上进行实验，取得了明显的性能提升。

Jan, 2019

本文介绍了一种针对人像轮廓视觉 - 红外立体视觉中的差距估计的新方法，该方法使用了高分辨率卷积神经网络来提取特征并进行配准，实验结果表明这种方法比传统方法要有效。

Apr, 2023

本文提出了一种新的生成对抗网络叫 VTF-GAN，它能够通过学习人脸的空域和频域特征，实现从可见光图像到红外热成像图像的高质量转换。实验结果表明，相对于其他对比算法，VTF-GAN 具有更高的质量和真实感。

Feb, 2023

本研究提出使用语义引导生成对抗网络（SG-GAN）从热成像中自动生成可见光人脸图像，并通过多种不同的损失函数进行控制以实现更好的可视化效果和性能，从而在多光谱人脸图像识别领域取得了有希望的结果。

Mar, 2019

在热成像人脸识别领域，提出了一种新的方法 ——Axial-Generative Adversarial Network (Axial-GAN)，对低分辨率的热成像图像进行高分辨率的可见图像合成，通过 axial-attention layer 将 transformer 的优势应用于 GAN 框架，使得在两个不同的热 - 可见人脸数据集上相较于现有工作，该方法取得了显著的图像质量和人脸验证性能的提升，并且更加高效。

Apr, 2021