RhythmFormer 是一种基于 Transformer 的全端对端方法，通过明确利用 rPPG 的准周期性特性来提取 rPPG 信号。在多个时间尺度上，层次化时间周期性 Transformer 核心模块从中提取周期性特征，利用时间域的动态稀疏注意力来对 rPPG 特征进行精细建模。此外，还提出了融合模块以有效地指导自注意力到 rPPG 特征，能够轻松地转移到现有方法以显著提升它们的性能。与之前的方法相比，在综合实验中，RhythmFormer 表现出更少的参数和降低的计算复杂度，达到了最先进的性能。

Feb, 2024

利用远程光电容积法（rPPG）技术，通过面部视频无接触地测量心脏活动，采用长时空图 rPPG 变换网络 PhySU-Net 并自监督预训练策略，利用无标记数据提高模型性能。

Feb, 2024

使用基于学习 Token 的双路径 TokenLearner（Dual-TL）的原生 Transformer 框架，综合利用面部视频的空间和时间信息，实现高准确度的远程光电体积脉搏测量。

Aug, 2023

本文提出了一种基于脉冲神经网络的混合神经网络模型 Spiking-PhyFormer，该模型在保持性能的同时，相较于 PhysFormer 和其他基于 ANN 的模型降低了 12.4% 的功耗，并将变压器块的功耗降低了 12.2 倍。

Feb, 2024

本文提出了两种对非接触式心率估计中长度和面部运动造成的误差进行修正的方法，并且使用一个双流双分辨率框架来训练模型以学习稳健的面部信号特征，实验证明了所提出方法的优越性。

Nov, 2022

本文提出了一种利用远程光电容积图术（rPPG）任务中的显性和隐性先验知识的新框架，通过系统分析不同领域的噪声源，并将这些先验知识纳入网络进行训练，同时利用两个分支网络通过隐式标签相关性去除噪声并提取生理特征分布，我们的实验证明，该方法不仅在 RGB 跨数据集评估上胜过现有方法，而且能够很好地从 RGB 数据集泛化到 NIR 数据集。

Mar, 2024

本文提出了一种无监督的远程光学脉搏测量方法，利用 3D 卷积神经网络模型以及对比损失训练模型，可以在不需要参照信号的情况下提高精度，并可以更快地运行且更耐噪音。

Aug, 2022

视频远程生理测量是利用面部视频测量血容量变化信号，也称为远程光电容抗 (PRP)。本文提出了一种名为 Contrast-Phys + 的方法，可以在无监督和弱监督设置下进行训练。我们使用 3D 卷积神经网络模型来生成多个时空 PRP 信号，并将 PRP 的先验知识纳入对比损失函数中。我们进一步将 GT 信号纳入对比学习，以适应偏向性或错位标签。对比损失鼓励来自同一视频的 PRP/GT 信号进行分组，并将来自不同视频的信号分开。我们在包括 RGB 和近红外视频的五个公开数据集上评估我们的方法。即使在部分可用或错位的 GT 信号或没有标签的情况下，Contrast-Phys + 也优于最先进的有监督方法。此外，我们还强调了我们的方法在计算效率、噪声鲁棒性和泛化性方面的优势。

Sep, 2023

本文介绍了一种远程面部信号分析的新方法，应用了神经网络和自监督训练进行无监督学习，利用对感兴趣信号的弱先验建模，并成功在四个数据集上进行测试，证明了该方法的可行性和效果。

Nov, 2021

本文提出了一个两阶段的端到端 RPPG 信号恢复方法，该方法包括视频增强和 RPPG 信号恢复两个阶段。实验结果表明，该方法在压缩视频上表现出色，并且具有很好的泛化能力。

Jul, 2019