该文提出了一种基于多任务和分层多任务学习框架，共同模拟连续和离散情感标签之间的关系，并展示了如何利用这种关系来提高情感识别任务的鲁棒性和性能。实验结果表明，我们的模型在两个广泛使用的数据集（IEMOCAP 和 MSPPodcast）上有统计显着的性能改进，并展示了该不匹配训练方法的实验结果和推理。

Oct, 2022

本研究提出了一种基于流动面部操作和变分自编码器的面部表情编辑方法，可以高效地实现面部表情的编辑和插值，并生成具有更高知觉质量的图像。

Nov, 2016

本文介绍了一种新颖的深度学习方法，用于对 “野外” 视频中演员情绪状态的逼真操作。该方法基于演员输入场景中的参数化 3D 面部表示，并使用新颖的深度域转换框架，结合动态信息，以一致而可信的方式改变面部表情。经过广泛的定性和定量评估和比较，我们的方法证明了其有效性并取得了尤为有前途的结果。该方法可应用于电影后期制作、视频游戏和逼真的情感化头像等各种领域。

Dec, 2021

通过表情生成对抗网络 (ExprGAN) 和表情控制模块实现更加精细和真实的面部表情编辑，同时提供了可调节表情强度的功能，同时支持不同的应用场景。

Sep, 2017

本文提出了一种基于神经渲染和基于 3D 面部表情建模的方法，支持语义视频操作，可以通过改变和控制面部表情实现交互式操作，实现了有希望的逼真效果，并且引入了用户友好的交互 AI 工具，可以处理关于特定部分的输入视频中期望的表情操作的可读的语义标签，并合成逼真的操作视频。

Nov, 2021

通过收集大规模的人脸数据集，我们使用神经网络在一个压缩的嵌入空间中描述面部表情，并取得了在表情检索、相册摘要和情绪识别等各种应用中的良好表现。

Nov, 2018

本研究探讨在情感分类数据集上使用标签插值的方法来增强 GAN 模型的表现，以生成可基于连续特征条件的情感图片，解决分类情感模型中无法实现平滑转换的问题。

Apr, 2022

本文提出了一种基于连续学习的方法来应对自动情感识别任务中的新颖性。

Jun, 2023

我们提出了一种新颖的连续学习方法，灵感来源于人类认知和学习，通过知识蒸馏和一种新颖的预测排序记忆重放，能准确识别使用少量训练样本的新复合表情类别。使用 GradCAM 可视化技术，我们展示了基本和复合面部表情之间的关系，我们的方法通过知识蒸馏和记忆重放利用这种关系。我们的方法在复杂面部表情识别的连续学习方面达到了当前的最新水平，新类别的整体准确率为 74.28%。我们还证明，与非连续学习方法相比，使用连续学习实现复杂面部表情识别能够获得更好的性能，提高了 13.95% 的非连续学习方法的最新水平。据我们所知，我们的工作还是首次将少样本学习应用于复杂面部表情识别，每个表情类别使用单个训练样本实现了 100% 的准确率。

Aug, 2023

我们提出了一个可解释且统一的情感模型 (C2A2)，并通过修改文本条件扩散模型来生成连续表情，从而实现了情感的精细生成。

Apr, 2024