提出了一个结合了Bayesian模型的混合学习方法，可进行半监督下的面部识别并可以自适应地将身份与上下文相关联，同时也可以从未被标记的数据中自动学习新的身份信息。

Jul, 2018

本文通过对亿万级别的图片进行大规模的人脸识别实验，发现使用深度学习进行的人脸识别系统对于训练数据中的个体识别的准确率要高于其他个体，而目前的大规模人脸识别数据集的个人隐私意识缺失，对隐私造成了严重影响。

Jan, 2020

本文介绍了一个基于深度神经网络实现的面部图像嵌入方法，并提出了一种计算人脸图像可识别性的度量方法，将其应用到面部识别系统设计中，其中计算出的“无法识别身份”的距离被用于示例验证。在 IJB-C 身份验证基准测试中，本文方法将单图面部识别错误率降低了58％（FAR = 1e-5），将集合识别错误率降低了24％（FAR = 1e-5）。

Jun, 2021

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

本文提出了一种基于 Visual Psychophysics Sensitivity Analysis 扩展的新型公平性评估框架，该框架可分析模型在不同被干扰亚组群中表现得是否公平，并通过 AUC 矩阵来紧凑可视化模型的公平性分析。作者分析了常见人脸识别模型的表现，实证发现当图像受到扰动时，某些亚组群处于不利地位，揭示了在无干扰的子群体上模型表现不明显的趋势。

Feb, 2022

本文提出了一种名为 Evolving Sub-centers Learning 的新方法，通过对大规模嘈杂人脸图像的潜在空间进行准确的描述，解决了算法在不同 N、K 和 C 下的灵活性带来的问题，并在合成嘈杂数据集上通过详细的消融研究证明了其显著的性能提升。

Aug, 2022

本文提出了一种针对人脸图像数据集的匿名处理方案，采用生成对抗网络的潜在空间进行优化，解决现有方案中需要额外训练神经网络、没有保存面部特征等问题，实现了既保护隐私，又适合于训练机器学习模型的效果。

Mar, 2023

我们提出了一个实验方法来测量人脸识别系统中的偏见，使用神经人脸生成器生成合成人脸，改变感兴趣的属性而保持其他属性不变，并通过人类观察者提供关于感知身份相似性的真实数据，验证了该方法在种族和性别方面的偏见，同时提供了大规模的合成数据集，可用于相关领域的研究。

Aug, 2023

模式识别的基本原则之一是训练和测试集之间的重叠会导致对准确性的乐观估计，在人脸识别中，由于训练集中的标识进行N路分类，通常将准确性估计为来自测试集（如LFW、CALFW、CPLFW、CFP-FP和AgeDB-30等）图像对的平均10折分类准确性。我们的实验揭示了LFW测试集系列与MS1MV2训练集之间的身份和图像重叠程度。我们还发现MS1MV2中存在身份标签噪声。通过将与LFW不重叠和与LFW重叠的相同大小MS1MV2子集的准确性进行比较，以揭示乐观偏差的大小。使用来自LFW测试集系列的更具挑战性的测试集，我们发现更具挑战性的测试集的乐观偏差更大。我们的结果突出了人脸识别研究中缺乏身份不重叠的训练和测试方法的问题和需求。

May, 2024

本研究解决了现有面部数据集生成方法在身份分离和属性变化方面的不足，提出了一个名为Vec2Face的全新模型。该模型利用仅需采样向量作为输入，灵活生成并控制面部图像及其属性，从而有效合成30万个身份和1500万张图像，且训练出的面部识别模型在多个真实数据集上达到了91%至93.52%的最先进准确率，显示出其潜在的显著影响。

Sep, 2024