针对人脸篡改技术的面部伪造检测方法，提出了一种用于增强不同表现形式下的一致性的学习框架（CORE），该框架基于卷积神经网络，通过正则化追求更一致的表示以进行更准确的伪造检测。

Jun, 2022

通过利用对比表示，该文介绍了一种基于生成模型与辨析模型相结合的深度神经网络，对人脸表情进行识别并提高识别准确率。

Mar, 2017

CoMatch 是一种新的半监督学习方法，它通过学习数据的两种表示（类概率和低维嵌入）相互作用来统一主流方法并解决其局限性，并在多个数据集上实现了最先进的性能。

Nov, 2020

本文提出了一种基于掩模对比学习（CMP）的自监督视觉表示法，利用区域级特征对比而不是视角层级特征对比，以消除隐式的语义一致性假设并实现正样本的无假设定位。使用专门的掩模预测头解决了掩模和非掩模特征之间的域差异，实验结果表明该方法在自然数据集上获得了可比较的性能，并且在大量下游任务上比 MoCo V2 表现更强。

Aug, 2021

本文提出了一种叫做对比正则化调整的方法，把对比自监督学习应用在 Fei-tuning 中，用一种新颖的硬配对挖掘策略实现更有效的对比式 Fei-tuning，并平滑决策边界以更好地利用学习的判别式特征空间，证明了这种方法在图像分类和语义分割任务中的有效性。

Feb, 2021

本文中提出的聚类特征对比正则化方法在半监督学习中取得了最先进的结果，通过聚类伪标签的归属特征来更新模型，以便更有效地将标记信息传播到更多未标记样本。

Jan, 2022

我们提出了一个统一的深度网络来学习生成 - 判别式表示，以便于识别遮挡脸部。我们的方法在合成的遮挡脸部上进行了模块化的预训练，并利用生成编码器和判别改良者来提供鲁棒、判别的表示。通过实验验证了我们方法在识别遮挡脸部上的有效性。

May, 2024

本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力，并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布，并提出了一种监督对比聚类方法来将特征拉向簇中心，并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后，对流行的面部基准进行了广泛的定性和定量实验，证明了我们范式的有效性以及在现有的面部识别方法上的优越性。

Dec, 2023

公平人脸识别通过学习具有一般化效果的不变特征来应对真实世界观察中无偏常见的人口属性，其中存在偏差效应导致模型在少数群体中泛化效果不佳。我们指出这种偏差是由于潜在的人口属性导致不准确的特征学习，而这种混淆效应只能通过因果干预和消除潜在的人口属性才能解决。为了解决这个问题，我们提出了一种无监督生成多样性数据的分区方法，并结合两种强基准方法（Arcface 和 CIFP）与不变特征正则化（INV-REG）相结合，取得了新的最先进的结果，在各种人口群体中改善了人脸识别性能。

Oct, 2023

本文探讨了分类器是否可以用于提高生成模型的质量，并提出了一种使用判别分类器的表示来增强生成模型的目标函数的方法。研究表明，用这种方法增强目标函数可以产生比标准变分自编码器更清晰、视觉质量更高的样本。

Feb, 2016