通过对真实数据集和合成数据集进行性能比较，我们发现了真实数据集和合成数据集之间的差异，并发现真实样本足以解释合成分布，而相反情况则不成立。

Apr, 2024

AI 生成的人脸已经丰富了人类的生活，但也存在滥用风险。为了缓解偏见，设计算法公平方法是关键，然而当前检测器在不同人群中表现出偏见。本研究引入了 AI-Face 数据集，该数据集是首个具备人口属性注释的、包括真实人脸、deepfake 视频中的人脸以及由生成对抗网络和扩散模型生成的人脸的百万级 AI 生成人脸图像数据集。基于该数据集，我们进行了首次全面的公平性评估，评估了各种 AI 人脸检测器，并提供有价值的见解和发现，以推动未来公平设计 AI 人脸检测器。我们的 AI-Face 数据集和评估代码在此 https URL 上公开可用。

Jun, 2024

通过引入新的人脸数据集 UMDFaces, 我们提出了一种基于深度网络和人工标注组合的大规模人脸数据集收集和注释方法，数据集中包含 367,888 张标注的人脸图像和 8,277 个独立人物的信息，并借此新数据集和评价方法推进了人脸识别技术的发展。

Nov, 2016

本论文介绍了 4DFAB 这个新的大型动态高分辨率 3D 人脸数据库的构建与多种应用，包括但不限于面部表情识别、行为生物特征识别、强力面部行为混合形状参数化模型的学习等，该数据库可公开获取以作进一步研究目的。

Dec, 2017

通过无需预训练或数据集增强的深度卷积神经网络，本研究提出了一种简单且有效的自动面部特征提取解决方案，并在 CelebA 数据集上获得了最新的面部特征分类结果。研究者还通过引入营造自然对抗样本的概念，证明了对于某些特征，深度卷积神经网络对于对抗性输入是鲁棒的，而对于其他特征则不是。

May, 2016

本研究构建了一个包含 108,501 张图像的人脸图像数据集，强调数据集的平衡种族构成，通过对基于此数据集训练模型和评估性能的实验，发现模型的准确性较高且与种族和性别无关。

Aug, 2019

本文研究了利用深度神经网络提取面部特征的鲁棒性，通过生成对抗性样本测试了多种算法的可靠性，并提出了自然对抗样本的概念，发现即使在经过多次训练的情况下，网络仍然存在一些本该被正确分类的对抗样本。

Jan, 2018

通过提出一种生成综合面部多样性数据集的方法，本研究旨在解决现有面部图像数据集集中在年龄、性别和肤色等少数面部属性上的问题，从而提高 AI 系统的鲁棒性。这种方法不仅包括人口统计学和生物识别特征，还涵盖了妆容、发型和配饰等非永久性特征，通过引导最先进的文本到图像模型生成高质量、逼真的综合数据集，并可用于面部分析系统的评估。与现有数据集相比，我们提出的数据集在图像分类任务中同样具有或更高的挑战性，同时大小更小。

Apr, 2024

本研究提供了一个结合多个 PAD 数据集的 Combined Attribute Annotated PAD Dataset（CAAD-PAD），并引入了 Accuracy Balanced Fairness（ABF）这一新指标来综合衡量 PAD 的公平性和绝对性能，同时提出了一种名为 FairSWAP 的数据增强方法，可以提高面部 PAD 的公平性和性能。

Sep, 2022

本论文从估计和操作两个角度全面调查了深度面部属性分析。介绍了面部属性估计和操作的数据预处理和模型构建通用流程，并对常用的数据集和性能指标进行了介绍。此外，对最新的面部属性分析方法进行了分类和细节方面的审查，并提出了相关的面部属性应用问题和现实世界的应用。最后，讨论了可能的挑战和未来的研究方向。

Dec, 2018