本文提出了一种基于掩蔽对比图表示学习的年龄估计方法，该方法利用图表示学习的鲁棒性来处理图像冗余信息，通过深度学习的方法从面部图像数据集中提取结构信息和语义特征，并在多个损失函数的约束下综合利用二者提高预测精度。

Jun, 2023

本篇研究提出了一种称为动态图表示（DGR）的新颖统一框架，整合了卷积神经网络（CNNs）和图模型的优点，用于学习生物识别中的遮挡问题，其中通过分析节点间的相似性，能够自适应地移除代表被遮挡部分的节点，实验结果表明该方法优于基线方法并可大幅提高对遮挡生物识别的准确性。

Dec, 2019

本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023

本文介绍了一种从多个校准相机视角估计多个人的 3D 姿势的方法，通过使用图神经网络以及特定任务的模块实现了高性能、低计算复杂度的结果。

Sep, 2021

提出了一种名为多尺度动态图表示（MS-DGR）的新颖统一框架，通过结合卷积神经网络（CNNs）和图模型的优点，克服生物特征识别中遮挡问题。通过将某些子区域反映在深度特征图上并通过动态图匹配分析节点表示的相似性和存储在邻接矩阵中的拓扑结构，巧妙丢弃与遮挡部分对应的节点，从而实现更准确的推断结果。综合实验证明，与基线方法相比，所提出的框架在自然和模拟遮挡案例中均大幅提升了准确性。

Jul, 2023

提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

Nov, 2019

本文提出了一个综合框架 DAG (Data, Attention, Graph)，用于解决因遮挡引起的性能降级问题。通过模拟遮挡场景，引入了掩蔽关节与实例粘贴数据增强技术；通过自适应判别注意力模块 (ADAM) 有效增强目标个体的特征；通过特征引导的多跳图卷积网络 (FGMP-GCN) 充分探索身体结构的先验知识，并提高姿势估计结果。通过在三个用于遮挡人体姿势估计的基准数据集上进行了广泛的实验，我们证明了所提出的方法优于现有的方法。代码和数据将公开提供。

Dec, 2023

提出使用动态区域感知图卷积神经网络（DRAG）来自适应性地识别可能泄露隐私的图像，以解决社交媒体分享图像所带来的隐私泄露问题，其准确性高于现有技术，可以找出包含对象、纹理等重要元素的关键区域。

Mar, 2022

本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。

Jul, 2021

本文提出了一种基于生成对抗网络的新型面部表情恢复方法，结合了改进的图卷积网络和区域关系建模块，旨在通过面部行为单元检测，解决包括修复和超分辨率等面部生成任务，并在 BP4D 和 DISFA 基准上进行了大量实验，定量和定性地证明了我们提出的方法的有效性。

Oct, 2019