本文提出了基于深度学习的人脸识别质量评估方法，该方法采用卷积神经网络 FaceQnet 对输入图像进行预测，使用 BioLab-ICAO 框架标记 VGGFace2 图像的质量信息进行训练，最终证实 FaceQnet 得分与商用系统的人脸识别准确性高度相关。

Apr, 2019

通过向人脸关键点检测网络中追加单层网络以进行面部质量分数回归，提出了一种针对边缘设备的人脸质量评分回归算法，可在识别准确度更高的前提下保证处理效率。

Jul, 2022

通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量，利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器，在减少 FNMR 方面表现出极高的效果，是第一个成功应用人工评估的跨库人脸质量预测研究。

Jun, 2017

本文的研究主要关注在低质量照片中的人脸识别，作者从三个不同的质量数据集中进行了实验并使用先进的面部图像增强方法来提高识别的准确性，最终提出了一种新的低质量面部图像识别协议并得到实验验证。

Jul, 2023

我们提出了一种新颖的质量引导联合训练方法，能够同时学习不同质量的图像，并基于质量分割，应用基于分类的方法学习高质量数据，以及应用自监督的图像 - 图像对比学习方法学习低质量图像。在多个数据集上的实验证明了我们提出的方法在识别不同质量的人脸图像方面的有效性。

Dec, 2023

本文提出了质量感知的学习过程（QAFace），通过在样本级别将质量感知引入到分类训练范式中，该模型将 Softmax 中心自适应引导到更多注意训练数据集中可识别的低质量样本，从而提高了模型对低质量样本的性能，并高于 CFP-FP，LFW，CPLFW，CALFW，AgeDB，IJB-B 和 IJB-C 数据集上的最先进算法。

Jun, 2023

本文提出了一种基于随机子网络的人脸图像质量评估方法，使用嵌入变化来估计样本表示的健壮性和相应的图像质量，并在三个公开数据库上进行了交叉数据库评估。实验表明，此方法超过了其他学术和工业界的六种方法，表现出稳定的性能。

Mar, 2020

该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

May, 2023

本文提出了一种隐私友好的大规模人脸识别替代方案，使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此，本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法，并通过实验验证了其有效性。

Jan, 2021

本篇论文介绍了生物特征识别的基本概念和在人脸质量度量方面的研究，提出了一种基于深度学习技术的开源脸部质量评估工具，并通过 NIST 的评估证明了其优越性。

Jun, 2020