研究构建了 Cross-Age LFW (CALFW) 数据库，用于解决人脸识别中的不同年龄的同一人造成的大量类内变异的问题，并在新数据库上评估了几种距离度量学习和深度学习方法。
Aug, 2017
在后疫情时代，面对戴口罩给普通人脸识别带来的巨大挑战，研究人员使用预训练的 VGG16 和 ResNet50 模型提取特征，并创建了一个更具挑战性的带口罩人脸数据集，通过选择 50 个身份从 Labelled Faces in the Wild (LFW) 数据集中提取的 1702 张图像并模拟口罩。研究的另一部分是解决带口罩人脸识别问题，通过在新数据集上微调模型，并直接使用最后一层线性层进行分类，提出了数据增强策略来进一步提高测试准确率，同时还使用了 Inception ResNet v1 等新型网络进行微调。在 50 个身份的带口罩人脸识别测试中，最佳准确率达到 95%。
Nov, 2023
本文提出了三种不同类型的口罩脸识别数据集，以提高口罩脸识别技术的识别性能，并开发了多粒度口罩脸识别模型，其准确率可达 95％，超过行业报道的结果。
Mar, 2020
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
该论文提出了一种包含 1000 个身份，11000 张有不同伪装配饰的面部图像的数据库：DFW。该数据库在一个非限制性环境下，总结了伪装变量，允许人们在难以区分的环境下进行面部识别。
Nov, 2018
本文介绍了一项关于带口罩可识别面部的研究，通过使用 6 种机器学习算法并生成遮面脸部图像，我们评估了这些算法在带口罩和不带口罩的情况下的识别表现。
Jun, 2023
本文提出了一种使用实时口罩检测来增强人脸识别系统的现有数据集的方法，并利用 MaskTheFace 工具创建大量实时口罩数据集以及使用处理后的数据集提高了 FACENET 及在实际数据集 MFR2 上的识别率。
Aug, 2020
本文提出了一种新颖的框架，将从通用图像数据集中学习的基本视觉特征转移至监督人脸识别模型，以应对看似相似的人脸在进行整形手术或伪装后造成的识别挑战，并在两个数据集上进行了实验，结果表明该算法在人脸识别方面表现最优秀，尤其是在数据野外环境 (DFW) 数据库上，误识率为 1% 时可获得超过 87% 的验证准确率，比使用 VGGFace 计算得到的基准结果高出 53.8%。
COVID-19 疫情期间，佩戴口罩给基于深度学习的人脸识别算法带来了巨大的挑战。本文在 ICCV MFR WebFace260M 和 InsightFace 非约束场景两个赛道中提出了解决方案，关注了规模庞大的口罩人脸识别中的四个挑战，即超大规模训练、数据噪声处理、口罩和非口罩人脸识别准确性平衡以及如何设计易于推理的模型架构。我们希望本文对这四个方面的讨论能够指导未来研究朝着更强大的口罩人脸识别系统发展。
Oct, 2023
本研究针对戴口罩的情况下进行深度人脸识别的挑战，收集不同群体的测试集，建立了一套在线模型测试系统并持续更新排名和研究成果。
Aug, 2021