为解决深度人脸检测在低分辨率人脸检测中的性能问题，本文提出了一种新的高效检测器 EfficientSRFace，引入了特征级超分辨率重建网络，并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。

Jun, 2023

该论文提出了一种名为 RefineFace 的单次精炼人脸检测器，它由五个模块组成：选择性二步回归、选择性二步分类、比例感知边缘损失、特征监督模块和感受野增强。实验结果表明，该方法在 WIDER FACE、AFW、PASCAL Face、FDDB、MAFA 等数据集上均取得了最先进的结果，并在 VGA 分辨率图像中以 37.3 FPS 的速度运行。

Sep, 2019

提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型，用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace，与现有的基准数据集相比，TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。

Nov, 2018

本报告通过重新实现最先进的探测器 SRN 并应用近期文献中提出的一些技巧来获得一种非常强大的人脸探测器，并在 WIDER FACE 测试集达到了最先进的表现。

Jan, 2019

本文介绍了一种新的单次检测人脸算法 —— 选择性精化网络（SRN），通过引入新奇的两步分类和回归操作，可以减少假阳性，同时提高定位准确性，随即提出了两个模块，选择性两步分类（STC）和选择性两步回归（STR），并设计可接受的感受野扩展块（RFE）来更好地捕获面部的一些极端姿势，最终在 AFW，PASCAL face，FDDB 和 WIDER FACE 数据集上均取得了最新的性能。

Sep, 2018

该研究提出了一种基于自监督区域全卷积网络（SSR-FCN）的人脸反欺诈框架，通过自监督方式学习面部图像的局部判别性线索，从而提高了泛化性能，同时保持了整体人脸反欺诈方法的计算效率，具有可解释性，本方法在未知攻击下所达到的 TDR=65%@2.0% FDR，表现出色。

Jun, 2020

通过提出一种新的分类一致性知识蒸馏方法，将高分辨率模型的学习分类器转移到低分辨率网络，从而找到低分辨率实例的有区别的表征，并借助自适应角度惩罚降低过拟合，改善模型收敛问题以及使用半监督表示学习方法来提高低分辨率实例的可区分性，并防止其形成一个簇，该方法在低分辨率基准测试上表现优于现有方法，同时保持了高分辨率基准测试的性能。

Aug, 2023

本文提出了一种针对边缘设备的轻量级和高速人脸检测器，其方法是基于无锚点的一阶段检测，通过重新考虑感受野和有效感受野（ERF）之间的关系来实现多尺度的连续人脸检测。综合实验结果表明，该方法在多个数据集上取得了更高的准确度和更快的推断速度。

Apr, 2019

本研究提出了一种使用选择性知识蒸馏学习低分辨率人脸识别的方法，在损失性能的同时实现更高速度和更低内存消耗，通过优化图问题，选择性地从一个复杂的面部模型中提取最具信息量的面部特征来让一个简单的卷积神经网络完成相应识别任务。

Nov, 2018

本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

Jun, 2014