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

本文提出了一种基于遮挡和深度学习特征的可靠方法来解决口罩蒙面等遮挡因素下的人脸识别问题，并使用预训练的卷积神经网络提取眼睛和前额区域特征以及使用多层感知器分类识别。实验结果表明该方法有较高的识别性能。

May, 2021

这篇论文探讨了现代深度学习网络在检测佩戴口罩的 Deepfake 技术方面的性能，并提出了两种不同的检测方法：面部裁剪和面部贴片。实验表明，面部裁剪比面部贴片更为有效，可用于识别现实世界中带口罩的人脸 Deepfake。

Feb, 2022

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

在新冠疫情期间，戴口罩成为常态，这给面部识别技术带来了巨大的挑战，而本研究则提供了一个对于公众具有参考价值的真实遮掩面部识别挑战基准测试集的评测。

Aug, 2021

利用深度学习，我们提出了一种在实时场景中检测口罩的技术，适用于通过网络摄像头记录的静止或动态的单人或多人框架，我们的模型准确率高达 99%（白天的单人）至 74%（夜晚的多人）。

Jan, 2024

面罩脸部识别（MFR）是生物识别中的关键领域，尤其是全球 COVID-19 疫情导致广泛戴口罩。本综述论文对具有面罩的个体识别和检测中的挑战和进展进行了全面分析，这一领域由于需要适应新的社会规范而发生了创新的变化。通过深度学习技术的先进和面蒙面识别（FMR）以及面部去蒙面（FU）代表着重要的研究领域。这些方法解决了由完全到部分遮挡面部特征所带来的独特挑战。我们综合审查了针对 MFR、FMR 和 FU 开发的各种基于深度学习的方法，突出了它们的独特挑战和应对方法。此外，我们还探讨了专门用于评估 MFR 研究性能的基准数据集和评估指标。该综述还讨论了研究人员在这一领域面临的重大障碍，并提出了未来进一步发展更稳健有效的面罩脸部识别系统的方向。本文为研究人员和从业者提供了宝贵的资源，洞察了面对全球卫生危机及其后果时面部识别技术的演变景观。

May, 2024

通过 AI 技术的计算机视觉系统识别戴口罩人群的情感，提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统，并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练，评估了四个卷积神经网络（Alexnet，Squeezenet，Resnet50 和 VGGFace2）的效果。实验结果显示，与单面具模式相比，我们的模型在多面具模式下的效果更好。其中，VGGFace2 网络在使用 JAFFE 数据集时的人员相关模式的准确率最高，为 97.82%，人员独立模式的准确率为 74.21%。然而，我们使用 UIBVFED 数据集评估了我们的模型。Resnet50 在人员相关模式下表现出了优越的性能，准确率分别为 73.68% 和 59.57%。此外，我们采用了精确度、敏感度、特异性、AUC、F1 值和混淆矩阵等指标来详细衡量我们系统的效率。此外，还使用了 LIME 算法来可视化 CNN 的决策策略。

Dec, 2023

本文提出了一个掩码不变的面部识别解决方案 (MaskInv)，它利用模板级知识蒸馏和基于边距的身份分类损失 ElasticFace 来对具有遮罩的面孔进行嵌入学习。在两个真实的有遮罩人脸数据库和五个主流数据库以及合成遮罩的数据集上的逐步去除研究表明，该方法优于之前的 SOTA 方案，在最近的 MFRC-21 挑战赛中具有较高的性能，且只有较小的验证性能损失。

Dec, 2021

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