本文提出了一种使用深度学习技术进行 3D 面部重建的新方法，其中使用了混合损失函数进行弱监督学习，同时利用多个图像进行面部重建，实现了快速、准确、鲁棒的重建效果，对不同数据集进行了综合实验，并与 15 种现有方法进行了比较，证明了其性能处于领先地位。

Mar, 2019

本文主要研究面部表示学习及其在面部识别中的应用，通过自我监督预训练学习未标记面部图像以提高面部识别性能，并采用基于地标的面部自我监督学习（LAFS）方法，通过提取面部地标实现关键表示学习，同时结合地标特定的数据增强以增加地标信息多样性，进而调节学习过程中地标位置的差异，并在多个面部识别基准测试中取得显著的改进效果，尤其是在更具挑战性的少样本情景中。

Mar, 2024

介绍了一种采用半监督学习方法，在没有 3D 地标数据集的情况下，通过直接提取（可见的）手工标记的 2D 地标，并确保更好的定义对齐，从而学习 3D 地标。该方法利用 3D 感知的生成对抗网络进行更好的多视角一致性学习，并利用实景多帧视频进行鲁棒的跨领域泛化。实证实验证明，该方法不仅在 2D-3D 地标之间实现了更好的定义对齐，还在 3DMM 标记和摄影测量基准数据集上优于其他监督学习的 3D 地标定位方法。

May, 2024

本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法，其结合了 3D 可塑模型（3D Morphable Model）的优点和学习校正空间的空外推广优点。

Dec, 2017

本文提出一种能够重建面部几何形状、在单个单目图像中重建时空变化的面部反射的新颖面部重建方法，采用基于 DNN 的自编码器和可微分光线追踪图像构建，同时利用自监督训练方法实现高保真度的面部重建，同时实现了面部反射和几何形状的高度解耦。

Mar, 2022

本文提出了一种基于深度卷积自编码器的新颖模型，用于从野外拍摄的单幅彩色图像重建三维人脸。通过将卷积编码器与专家设计的生成模型相结合，提出了一种新的可微分参数解码器。该解码器将基于生成式模型的图像形成解析包括在内，以输入的码向量作为输入，从单个单眼输入图像中提取具有明确定义语义含义的参数。该文章的一个突破是在无监督的情况下，首次实现了 CNN 编码器和专家设计的生成模型的端到端训练，这使得对非常大的（未标记的）真实世界数据进行训练成为可能。所得到的重建结果在质量和表示的丰富性方面均优于当前最先进的方法。

Mar, 2017

通过利用自动编码器将面部图像向量转化为新的表示，本研究提出一种缩小有标签训练数据差距的方法，从而在无监督的人脸验证技术方面取得了 56％的 EER 相对改进，成功缩小了余弦和 PLDA 评分系统之间的性能差距。

Dec, 2023

通过结构一致性与几何先验来解决运动模糊视频中人脸关键点检测的问题，提出了一个名为 FAB 的框架，在视频数据集中取得了优于现有方法的性能表现。

Oct, 2019

研究论文旨在提出一种减少对标记数据依赖的替代方法，通过在面部图像识别任务中利用自编码器预训练和两步过程来实现。自编码器首先以无监督的方式使用大量无标签的训练数据集进行训练，然后使用预训练自编码器的初始化参数进行深度学习模型的训练。该方法的实验结果表明，使用预训练自编码器参数初始化的深度神经网络可以达到与现有方法相媲美的效果。

Dec, 2023

本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习，以逐步学习出最适合面部识别任务的几何变换和适当的面部区域，从而达到高精度面部识别的目的。

Jan, 2017