本文提出了一种基于 Transformer 网络的多模态多尺度算法，通过微表情的运动和纹理两种特征完全学习微表情的局部多粒度特征，实现了不同尺度脸部局部区域特征的提取并在三个自然数据集上进行了综合实验。结果表明，该算法在单个测量 SMIC 数据库中的准确度高达 78.73％，在合并数据库的 CASMEII 上的 F1 值高达 0.9071，处于领先水平。

Jan, 2023

本文通过构建几何二流图网络、自学习机制和自适应动作单元损失函数，研究了人脸标志物对微表情识别的贡献。实验证明，本文提出的方法具有更高的效率和更低的计算成本，且人脸标志物对微表情识别有重要贡献，值得进一步研究高效的微表情分析。

May, 2022

本文提出了一种新颖的特征细化方法（FR），该方法包括表情提议模块和基于光流的启示模块，可以提取特定表达式的突出和有区别的特征，并通过表情特定特征的融合来预测表情，实验证实了其在不同协议下的有效性。

Jan, 2021

通过属性信息嵌入和跨模态对比学习，基于微表情序列的 RGB 和 FLOW 特征提取和 BERT 网络提取文本信息，实现面部微表情识别，并在 CASME II 和 MMEW 数据库上进行了广泛实验，准确率分别为 77.82% 和 71.04%。与其他方法相比，该方法具有更好的微表情识别效果。

May, 2022

本文提出了一种基于生成对抗网络的方法 (ICE-GAN)，加入微表情合成作为辅助任务以辅助微表情的自动识别，并在微表情相关挑战赛中获得了比冠军高出 12.9% 的成绩。

May, 2020

微表情识别是近年来备受关注的研究领域，在智能医学和骗术检测等方面具有潜在应用。然而，缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式，称为宏观表情到微表情（MA2MI）。在该范式下，网络可以通过重建未来帧来学习表示微妙的面部运动。此外，本文还提出了一种两支路微动作网络（MIACNet），用于解耦面部位置特征和面部动作特征，帮助网络更准确地定位面部动作位置。在三个常用的微表情识别基准上进行的大量实验证明了我们方法的优越性。

May, 2024

提出了一种名为自适应时间运动引导图卷积网络（ATM-GCN）的微表情识别框架，该框架在整个剪辑中捕获帧之间的时间依赖关系，从而增强了剪辑级别的微表情识别能力。实验证明，ATM-GCN 不仅在 Composite 数据集上超过现有的最先进方法，而且在最新的微表情数据集 CAS (ME)$^3$ 上也取得了卓越的性能。

Jun, 2024

提出了一种名为 LightmanNet 的双分支元辅助学习方法，用于快速和鲁棒的微表情识别，通过双分支双层优化过程，从有限数据中学习一般的微表情识别知识，进一步改进了模型的泛化和效率。

Apr, 2024

本研究提出了一种新的端到端 AU 导向的图分类网络，使用深度学习技术和 GCN 层探测 AUs 之间的依赖关系，以识别微表情，实验结果表明我们的方法优于 CNN-based。

Apr, 2020

本研究提出了一种利用深度循环卷积神经网络进行微表情识别的方法，该方法能够捕捉微表情序列的时空变化，相对于现有的其他方法，该方法表现更为优异。

Jan, 2019