该论文提出了一种名为 RefineFace 的单次精炼人脸检测器，它由五个模块组成：选择性二步回归、选择性二步分类、比例感知边缘损失、特征监督模块和感受野增强。实验结果表明，该方法在 WIDER FACE、AFW、PASCAL Face、FDDB、MAFA 等数据集上均取得了最先进的结果，并在 VGA 分辨率图像中以 37.3 FPS 的速度运行。

Sep, 2019

本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

Nov, 2017

为解决深度人脸检测在低分辨率人脸检测中的性能问题，本文提出了一种新的高效检测器 EfficientSRFace，引入了特征级超分辨率重建网络，并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。

Jun, 2023

本文提出了一种使用深度卷积神经网络实现室内场景下头部尤其是小头部准确检测的方法，其核心是特征细化网络（FRN）和级联多尺度架构，并使用 SCUT-HEAD 数据集进行测试，取得了最先进水平的表现。

Mar, 2018

该研究提出了一种基于自监督区域全卷积网络（SSR-FCN）的人脸反欺诈框架，通过自监督方式学习面部图像的局部判别性线索，从而提高了泛化性能，同时保持了整体人脸反欺诈方法的计算效率，具有可解释性，本方法在未知攻击下所达到的 TDR=65%@2.0% FDR，表现出色。

Jun, 2020

本报告提出了一种基于深度网络的区域检测人脸的新方法 ——Face R-FCN，使用全卷积神经网络做到更准确和更高效的人脸检测，我们采用了一些新技术，包括位置敏感平均池化，多尺度训练和测试以及在线困难样例挖掘策略，这种方法在 FDDB 和 WIDER FACE 等标准数据集上达到了 state-of-the-artlevel 的检测效果。

Sep, 2017

本论文提出了一种新颖的面部高清晰度恢复方法，采用了渐进式训练、面部注意力损失和压缩的人脸标注热图提取网络，实现了全面的面部特征恢复，使得图像更为逼真清晰，表现最好。

Aug, 2019

本文提出了一种名为 Supervised Transformer Network 的新型级联卷积神经网络来解决面部检测中的大姿态变化问题，通过使用多任务区域提案网络 (RPN) 同时预测人脸候选区域和相关的面部标志，然后将检测到的面部标志映射到它们的规范位置来更好地规范化面部模式，并在第二阶段使用 RCNN 验证经过变换的候选区域是否为有效面部，同时结合来自网络两个阶段的特征图，取得了多个公共基准测试的最先进的检测精度，并且在保持良好性能的同时，只占用单个核心的 CPU 即可以 30 FPS 的速度运行。

Jul, 2016

使用深度学习技术构建人脸超分辨率网络 (FSRNet) 并结合 landmark 和 parsing map 实现对人脸低分辨率图像的高清重建，同时引入了对齐和解析等任务对传统指标进行补充，并开展了针对性的测试，显示出 FSRNet 和 FSRGAN 在超分辨率方面显著优于当前领先的技术。

Nov, 2017

本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

Aug, 2020