本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

Jun, 2022

本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

May, 2023

本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题，并提出了 SynFace，探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因，并提出了 identity mixup 和 domain mixup 方法来缓解性能差距。此外，对于人工合成的图像，本文还对姿态，表情，光照等因素进行了实验分析，提供了几种有效利用合成数据进行人脸识别的方法。

Aug, 2021

本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。

Feb, 2018

本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

Oct, 2018

通过使用综合数据，我们提出了一个新的框架（称为 SynthDistill），通过提取预训练教师人脸识别模型的知识，来训练轻量级人脸识别模型，从而解决了轻量级模型训练的困难。我们使用综合数据来生成人脸图像，并且使用生成的图像来训练轻量级学生网络。实验证明，相比之前综合数据的训练模型，我们的轻量级模型达到了 99.52% 的 LFW 数据集的验证准确率，并且我们提出的框架显著减小了真实数据和综合数据训练之间的差距。

Aug, 2023

该研究论文探讨了合成面部数据在人脸识别领域中的应用及近期进展，以及由此带来的挑战和未来前景。研究提出合成数据作为隐私友好的替代品具有很大的潜力。

May, 2023

研究利用未标记的现实数据学习仿真器输出的模型的真实性以改进合成图像以缩小合成和真实图像之间的差距，提出了一种使用合成图像作为输入的对抗网络方法，通过几个关键修改以保护注释信息、避免伪影、稳定训练的方式来学习 Simulated+Unsupervised（S+U）学习，用于眼睛凝视和手部姿势估计的模型表现得到了大幅提升。

Dec, 2016

本研究主要探讨利用合成人脸数据训练深度人脸识别模型的有效性，以减少对真实图像的依赖并解决数据收集问题，并且通过数据增强技术的应用进一步优化识别准确率。

Apr, 2024

本文提出了一种方法，在不修改深度神经网络本身的结构下，通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力，从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。

Apr, 2017