尽管盲目的人脸修复（BFR）在图像上有了显著进展，但对于更复杂的面部动作（如移动凝视方向和面部朝向）的真实世界视频人脸修复（VFR）问题尚未解决。本研究引入了名为 FOS 的新的真实世界数据集，其中包含来自主要视频帧的 “全面的、遮挡的和侧面的” 面部，以研究当前方法在视频上的适用性。通过与已有测试数据集的比较，FOS 数据集涵盖了更多种类的退化，并涉及来自更复杂场景的人脸样本，从而更全面地重新审视了当前的人脸修复方法。

Apr, 2024

本文介绍了一个新的大规模真实场景爆破超分辨率数据集 RealBSR 以及一种名为 FBAnet 的联邦爆破亲和网络，用于从多个帧中恢复图像细节，并通过基于 Transformer 的模块进行爆破表示解码。实验结果表明，FBAnet 优于现有的最先进的爆破超分辨率方法，并且在模型细节上实现了视觉上令人愉悦的超分辨率图像预测。

Sep, 2023

介绍了 QMUL-SurvFace benchmark，提供了低分辨率监控图像的面部识别挑战，利用五个具有代表性的深度学习面部识别模型进行了评估，结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。

Apr, 2018

提出了一种可控人脸合成模型，通过在样式潜空间中模拟目标数据集的分布，实现在非受限环境下的面部识别（FR）任务，并可指导合成图像的 FR 模型训练，获得了在 IJB-B、IJB-C、TinyFace 和 IJB-S 等非受限测试基准上的显著性能提升（+5.76% Rank1）

Jul, 2022

本文介绍一种从异构数据扩充的视角出发的新型异构人脸识别方法 —— 具有身份属性解缠的人脸合成（FSIAD），在大量合成的图像中使用随机组合的解缠特征丰富图像属性的多样性，并将合成和原始图像同时用于训练网络，以提高异构人脸识别的性能。

Jun, 2022

本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

Jan, 2021

提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统，包括人脸 / 标志检测、人脸关联和人脸识别等模块，特别是针对多镜头视频设计了精心的人脸关联方法，采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸，广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸，并有效地学习到具有鲁棒性和区分性的特征用于识别。

Dec, 2018

提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型，用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace，与现有的基准数据集相比，TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。

Nov, 2018

本论文开发了一个自动和可扩展的管道来收集高质量的视频脸部数据集（VFHQ），并证明基于 VFHQ 训练的视频面部超分辨率（VFSR）模型可以产生比基于 VoxCeleb1 训练的模型更锐利的边缘和更细的纹理，同时时序信息在消除视频一致性问题以及进一步提高视觉性能方面也起着关键作用。

May, 2022

本文分析在野外捕捉到的低质量条件下的人脸识别技术，提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题，并在 SCFace 和 UCCSface 数据集上进行了评估。

May, 2018