本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

Feb, 2019

本研究研究了深度神经网络在计算机视觉领域上的发展，并提出了 “欺骗图像” 的概念，在模型认为是熟悉对象的情况下生成了一系列对人类难以识别的图像，揭示了计算机视觉与人类视觉之间的有趣差异。

Dec, 2014

最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而，我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用，因为在这种情景下，图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集，并创建了一个控制的人脸法庭鉴定场景，通过这两者的结合，可以在一系列真实环境条件下对人脸识别进行控制性评估。通过使用这个合成数据集和一个包含真实人脸的流行数据集，我们评估了两个常见的基于神经网络的人脸识别系统的准确性。我们发现，在这种更具挑战性的法庭鉴定情景中，先前报道的超过 95% 的人脸识别准确率下降到了 65%。

Nov, 2023

在图像质量失真的影响下，深度神经网络的表现远不及人类，但两者的错误率存在着较少的相关性，表明图像的内部表现在网络和人类眼中存在差异。这些与人类视觉表现的比较有助于指导未来更具鲁棒性的深度神经网络的发展。

May, 2017

本文比较了人类视觉系统和深度神经网络（DNN）在图像退化方面的泛化能力，发现人类视觉系统更加耐受于图像处理，而当信号变弱时，人类和 DNN 的分类误差模式逐渐分离，这表明在视觉识别方面，人类和 DNN 之间仍存在显著差异。

Jun, 2017

本文研究计算机视觉、深度神经网络（DNN）、人类视觉感知和无体系结构视觉学习之间的联系，并发现 DNN 计算可用于估计感知损失，并与有趣的理论观点一致，即人类感知的特性是视觉学习无体系结构的结果。

Jan, 2017

本篇论文提出使用 DeepID3 算法来进行人脸识别，使用了卷积神经网络和 Inception 层，并采用监督信号技术来训练神经网络，最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。

Feb, 2015

人们对深度伪造视频的感知能力进行主观研究，结果显示机器学习模型相对于人类在同样的 40 个视频上有更好的表现，而人们又往往高估了自己的检测能力。这一研究结果有助于对比人类和机器的性能、推进法医分析，并实现自适应对策。

May, 2024

该研究探究了在合成图像检测中使用人工智能支持的人类操作员与使用传统方法训练的模型的效果比较，结果发现人工智能在训练时使用的人类指导会提供更好的图像分类支持。同时，向人类操作员提供合成图像检测模型的决策或热点映射可以提高模型的分类准确性并增加人类操作员的信任感，从而提高人类操作员与人工智能合作的效果。

Aug, 2022

使用合成数据，基于计算机视觉，通过卷积神经网络和可解释的 AI 技术实现对人眼难以区分真实照片和 AI 生成的图片的分类，最终建立的 CIFAKE 数据集对于未来的研究工作提供了有价值的资源。

Mar, 2023