遮挡特征蒙版的端到端遮挡人脸识别
本文设计了一个高性能的深度卷积网络（DeepID2+）用于人脸识别，经实验证明它在LFW和YouTube Faces的基准测试中达到了最新的最优效果，并通过了控制神经激活的稀疏性、选择性和鲁棒性研究证明了其高性能的三个关键属性。
Dec, 2014
本篇研究论文介绍了一种深度学习系统，基于卷积神经网络，包括面部检测、定位、对齐和验证模块等，用于非约束性人脸识别。研究使用IARPA Janus基准数据集A， JANUS挑战集2和LFW数据集进行了数量化的性能评估，并讨论了DCNN面部验证问题的一些开放性问题。
May, 2016
本研究提出了一种名为Grid loss的CNN模型损失函数，该函数能够独立地在卷积层的子块上最小化误差率，以实现部分遮挡物体的检测，经实证表明，该方法可以用于人脸检测，并在几个公共数据集上跑出了最优性能，适用于实时应用程序。
Sep, 2016
本文提出了一个在野外环境中能够有效还原部分遮挡的面部的稳健 LSTM-Autoencoder（RLA）模型。其采用双通道 LSTM decoder 对遮挡部分逐步进行恢复，同时保证了身份信息的不丢失和面部识别准确性。在合成和真实数据集上的实验证明了我们提出的 RLA 在消除不同类型、不同位置的面部遮挡方面具有较大的性能优势，并且与其他抗遮挡方法相比，具有显着的识别性能提升。
Dec, 2016
该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数——batch triplet loss，通过降低正负分数的标准差来改善triplet loss的性能，同时在LFW数据集中得到了显著的改进。
Jul, 2017
本文探究面部完整性对面部识别的影响，提出了一种基于卷积算子和门控机制的面部完整性编码器-解码器，并对真实的遮挡情况进行了分析和实验验证，证明了面部完整性可以部分恢复面部信息从而提高机器视觉系统的面部识别准确率。
Jun, 2019
提出了一种基于掩膜学习的策略来提高面部识别性能，通过深度卷积神经网络中的特征去除来解决部分区域遮挡的问题，并在SYNTHIA-FACE和RAISE-AF数据集上进行了综合实验，表明该方法明显优于现有技术。
Aug, 2019
本研究提出一种新的生成模型，利用其构建一个双模态互斥 GAN 模型，通过对两个组成部分整体损失和局部损失的衡量，来重构被遮挡住的面部，该模型通过对实际和合成数据组进行消融实验，显示出高于其他竞争方法的方法，可大幅提高人脸识别的性能。
Feb, 2020
COVID-19疫情爆发使得人们比以往更频繁地戴口罩。当前的一般面部识别系统在遇到遮挡场景时性能严重下降，可能的原因是面部特征受到关键面部区域的遮挡。为了解决这个问题，先前的研究要么通过额外的口罩预测在特征级别上提取与身份相关的嵌入，要么通过生成模型恢复遮挡的面部部分。然而，前者缺乏模型解释的视觉结果，而后者则存在可能影响下游识别的伪影。因此，本文提出了一个多任务生成面部识别（MEER）网络来共同处理这两个任务，它可以学习与遮挡无关和与身份相关的表征，并实现无遮挡面部合成。我们首先提出了一种新的遮挡解耦模块，以解离遮挡和身份信息，使网络从可见面部组成部分提取更纯净的身份特征。然后，通过联合训练策略恢复出一个无遮挡的面部，这将进一步使用保持身份的损失来改进识别网络。在现实和合成遮挡基准下进行的戴口罩面部识别实验证明了MEER方法超过了最先进的方法。
Nov, 2023