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

基于人工智能的人脸识别系统在全球范围内被广泛分发和部署，尤其在 COVID-19 大流行之后，用于从验证购买 SIM 卡的个人面孔到对公民的监视等任务。在这项研究中，我们对 14,722 张图像的五个基准数据集进行了模拟的验证 / 监视任务，审核了四个商业和九个开源人脸识别系统，测试不同类型的有口罩和无口罩图像之间的面部再识别。结果发现大约三个商业系统和五个开源系统非常不准确，并且进一步加剧了对非白人个体的偏见。这表明系统设计者、立法者和用户需要重新思考人脸识别系统的设计原则，特别是在面部再识别任务中，认识到观察到的偏见问题。

Feb, 2024

本研究提出了一种对深度学习人脸识别模型进行针对性攻击的新型隐蔽物理掩码攻击方法，通过对抗性风格优化，在风格掩码内隐藏对抗扰动，实现了强大而隐蔽的对抗风格掩码生成，通过广泛的实验验证了该方法的有效性和可移植性。

Sep, 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

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

探讨对人脸识别系统安全性的对抗性威胁及其攻击风险，以及一种新的攻击向量，通过对攻击向量的知识来增强部件培训的抗性，并在目标系统上通过预实验分析证明了其有效性。

Apr, 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

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

本文提出了一种基于 ArcFace 工作、利用数据增强和 Multi-Task ArcFace 算法的全面训练流程，可识别戴口罩的人脸，同时还可以检测人们是否佩戴口罩。此方法大大提高了识别准确性，并在口罩使用分类方面达到了 99.78% 的平均准确度。

Apr, 2021