通过收集大规模的人脸数据集，我们使用神经网络在一个压缩的嵌入空间中描述面部表情，并取得了在表情检索、相册摘要和情绪识别等各种应用中的良好表现。

Nov, 2018

本文提出 AVSL 框架，用于更精确和可解释地衡量图像之间的相似度，通过基于人类语义相似性认知构建通用相似性学习范式，使用图形以及自下而上的相似性构建和自上而下的相似性推断框架，在语义层次一致性的基础上推断相似性，取得了显著的改进，并验证了框架的可解释性。

Mar, 2022

该研究介绍了一个多视角，高分辨率的人脸数据集，通过进行替代卷积编码器及对条件对抗网络（VAE）进行验证，对研究区域的深度插值进行了实验讨论。

Jul, 2022

通过提出一种生成综合面部多样性数据集的方法，本研究旨在解决现有面部图像数据集集中在年龄、性别和肤色等少数面部属性上的问题，从而提高 AI 系统的鲁棒性。这种方法不仅包括人口统计学和生物识别特征，还涵盖了妆容、发型和配饰等非永久性特征，通过引导最先进的文本到图像模型生成高质量、逼真的综合数据集，并可用于面部分析系统的评估。与现有数据集相比，我们提出的数据集在图像分类任务中同样具有或更高的挑战性，同时大小更小。

Apr, 2024

使用生成模型找到脸部图像中感知属性的语义编辑，综合考虑保持身份和改变感知属性之间的权衡，以改变脸部图像中的任何输入脸沿属性轴的转换。通过预测模型和人类评分，在真实和合成脸上进行培训和评估，证明了我们方法的普适性，最终可用于理解和解释与身份无关的对面部主观解释中的偏见。

Sep, 2023

本研究提出了一个用于学习面部属性的无监督框架，通过观察视频中的人脸说话、笑笑和移动，引入了 Facial Attributes-Net (FAb-Net) 网络来将多帧视频面部轨迹嵌入到低维空间中进行训练，该网络通过预测每个帧的置信 / 注意力蒙版，以学习人脸嵌入表达方式，不需要任何标记数据的监督，并在这些任务上具有与最先进的自监督方法相媲美或超越它的性能。

Aug, 2018

计算机视觉模型在性别和肤色等属性方面存在已知的性能差异。本论文提出了一个名为 FACET（计算机视觉公平性评估）的新基准，它是一个大型、公开可用的评估集，包括 32,000 张图片，用于图像分类、目标检测和分割等常见视觉任务。我们通过对 FACET 中的每张图像进行手动标注，包括感知肤色和发型类型等与人相关的属性，手动绘制边界框，并标记诸如唱片骑师或吉他手等精细的与人相关的类别。我们利用 FACET 对最先进的视觉模型进行基准测试，并展示潜在的性能差异和挑战。我们的研究结果显示，分类、检测、分割和视觉定位模型在人口属性和属性交叉上存在性能差异。这些伤害表明，在这些视觉任务中，并不是所有的人都能得到公平和公正的对待。我们希望使用我们的基准测试结果能够为更加公平、更加稳健的视觉模型做出贡献。FACET 在该 https URL 上公开可用。

Aug, 2023

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

本文通过追踪可穿戴相机拍摄的随机行人脸部特征，结合地理位置与天气信息，建立了适用于人脸属性分类的特征表示方法，并在多种数据集上实现了远超同类方法的准确率。

Apr, 2016

本文介绍了一种基于卷积神经网络的回归框架，可用于训练社交属性分配的预测模型，该模型可以对人群的行为进行量化，应用于描述人脸的视觉属性和情感计算领域。

Oct, 2016