本文通过使用野生标记人脸数据集（LFW）, 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响，结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响，而对比度变化和压缩失真的影响有限，但同时发现描述符计算和颜色信息对性能没有显著影响，这对未来深度学习模型的进一步优化和改进提供了启示。

Oct, 2017

利用合成的面部图像研究数据集偏差对深度卷积神经网络的泛化性能的影响，发现数据集偏差对 DCNNs 的泛化性能有着显著的影响，提出的方法允许观察和比较不同 DCNN 架构的泛化性能，同时揭示了当前 DCNN 架构的主要局限性。

Dec, 2017

本文提出了一种基于深度卷积特征的无限制人脸验证算法，并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。

Aug, 2015

该研究介绍了一种创新的方法，将图像数据集成到传统计量模型中，通过深度学习将图像中包含的信息作为协变量，用于预测房地产销售价格，通过图像编码和分割的方式提高了预测准确性。

Mar, 2024

本篇研究论文介绍了一种深度学习系统，基于卷积神经网络，包括面部检测、定位、对齐和验证模块等，用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A， JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估，并讨论了 DCNN 面部验证问题的一些开放性问题。

May, 2016

分析了面部属性对人脸识别系统的影响，探讨了人口统计学以外的因素如饰品、发型、脸型等在身份验证性能方面的影响，提出了进一步增强人脸识别系统鲁棒性、可解释性和公平性的需求。

Mar, 2021

本文提出了一种机器学习模型稳健性的框架，通过人类关于因果关系的常识知识来解决模型在训练和测试过程中的不一致性问题。透过在每个训练数据中加入人类标注的潜在未测变量，将问题转化为协变量转移问题，并引入分布稳健优化目标来控制测试时偏移的最坏情况损失，实验结果表明，在具有旋转混淆的数字识别任务和分析 NYPD 警务巡逻地点混杂的任务中能获得 5-10% 和 1.5-5% 的性能提升。

Jul, 2020

本研究提出了一种名为图像反事实敏感性分析的框架，利用生成对抗网络建立一个面部图像的真实生成模型，以控制性地操作特定的图像特征，从而发现并检测面部分类器中的偏见和公平性。

Jun, 2019

本研究提出使用人脸识别嵌入向量作为代理标识，通过加权样本来强制实现模型的稳健性和性能均匀性，在不需要注释的情况下提高模型的标识相关性的稳健性和性能。

Apr, 2023

本研究使用正则化方法增强自编码器，展示了深度学习架构可以识别和表达除分类信号以外的变化因素，并通过引入交叉协方差惩罚（XCov）方法，证明了可以分离出手写数字风格和面部主体身份等因素。研究在 MNIST 手写数字数据库，Toronto 人脸数据库和 Multi-PIE 数据集上进行，并演示了这些深度网络可以推广监督信号中的 ` 隐藏 ' 变化。

Dec, 2014