该文章使用基于潜在空间的演化方法生成综合人像，其中利用了 StyleGAN2 进行人像生成，FaceNet 对人脸相似度进行评估。经过对真实图像和合成图像的实验结果表明，该方法生成的解决方案既准确又多样化，代表着逼真的人类肖像，这一研究成果可为人脸识别系统的安全性提升做出贡献。

Apr, 2022

该研究论文通过深度神经网络模型实现人脸验证，并研究了人脸验证系统所遭受的对抗攻击，提出了 DodgePersonation Attack 及其相关分类，以及一种名为 ''One Face to Rule Them All'' Attack 的攻击方法来欺骗人脸验证系统。

Sep, 2023

采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从 91.93% 降低到 96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。

Oct, 2022

研究者使用 Million 的人脸图像数据集，评估各种最先进的人脸识别算法的表现，并发现大规模情况下的性能变化，尤其是深度学习方法在大规模情况下依然表现良好，但对于规模的变化也变得不够鲁棒。研究者还通过机械土耳其进行了广泛人类研究，并报告了结果。

May, 2015

本文提出了一种新的生成模型 - 双射生成对抗网络，并引入成分提取和度量学习来增强图像的重建过程，最终生成出具有真实性和身份保留特性的面部图像。该模型在多个基准数据集上进行实验，证明了其有效性。

Mar, 2020

本研究提供了一个包含 4 种不同类型的变形攻击的新数据集，并通过基于 OpenCV、FaceMorpher、WebMorph 和生成对抗网络（StyleGAN）的变形攻击实验，评估了现有人脸识别系统的风险程度，其中发现 VGG-Face 虽然与 FaceNet 相比精度较低，但更加抗变形攻击。此外，本文指出了使用 StyleGAN 生成的低级变形攻击对人脸识别系统不构成重大威胁。

Dec, 2020

提出了一种名为 GroupFace 的面部识别特定的网络结构，利用多个分组感知表示同时提高嵌入特征的质量，并通过提供自分布标签来证明其有效性，同时学习可以缩小目标身份搜索空间的分组感知表示，最终在多个公共数据集上实现了 1:1 面部验证和 1:N 面部识别任务的显着改进。

May, 2020

本论文提出了一种神经面部 / 头部再现的框架，其目标是将目标面部的 3D 头部方向和表情转移到源面部。我们采用了不同的方法，通过使用（精调）预训练的生成对抗网络，绕过了学习嵌入网络以实现身份和头部姿态 / 表情分离的困难任务，以提高生成图像的质量。我们的方法通过将真实图像嵌入生成对抗网络的潜在空间，成功实现了对真实世界面部的再现。

Feb, 2024

论文提出了 MegaFace 数据集和 MegaFace 挑战，通过增加 gallery 集中的干扰数，评估算法的性能，结果显示在万级别规模下测试揭示了算法之间的大量性能差异，并且年龄和姿态不变性对大多数算法仍然具有挑战性。

Dec, 2015

本文介绍了一种名为 FaceNet 的系统，其通过使用卷积神经网络及三元组学习法直接将人脸图像映射到紧凑的欧几里得空间中，使得人脸识别、验证和聚类等任务可使用 FaceNet 嵌入作为特征向量，仅使用 128 字节每个人脸即可实现最先进的人脸识别性能，其在 LFW 和 YouTube Faces DB 两个数据集上的表现都创造了最新纪录。同时，本文还提出了谐波嵌入的概念和谐波三元组损失，以描述不同网络产生的面部嵌入版本以及它们之间的直接比较。

Mar, 2015