该研究探索人脸图像与其深度表示之间的空间关系，并提出了一种新的解释方法 FGGB，通过梯度反向传播生成准确且深入的相似性和差异性显著性地图，用以解释人脸识别系统的 “接受” 和 “拒绝” 决策。视觉展示和定量测量表明，FGGB 在相似性和差异性显著性地图方面的性能优于当前最先进的可解释人脸验证方法。

Mar, 2024

提出一种有效的基于 patch 的人脸图像质量评估算法，该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素，能够识别最正面、对齐、锐利和照明良好的图像，并在实验中表明在人脸子集的选择方面，该方法优于现有技术，使人脸识别准确度显著提高。

Apr, 2013

本文研究了人脸识别技术中存在的 “黑匣子” 问题，提出了可解释人脸识别的定义，并引入了基于相似性的 RISE 算法来产生高质量的视觉显著图，进一步提出了评估方法来系统地验证可靠性和准确性。

Apr, 2023

本篇论文讨论了在面部识别任务中的可解释人工智能（XAI），特别是面部验证。通过提出一种称为可解释余弦（$xCos$）的新奇相似度度量，并配备一个可学习的模块，我们可以向大众提供意义深刻的解释，并展示其在 LFW 等各种竞争基准上的有效性。

Mar, 2020

本文针对可解释脸部识别问题，提出了一个名为 “inpainting game” 的评估协议，并提供了一套基准数据集用于比较 5 种最先进的面部 Attention 算法。同时，展示了这些算法在新颖的图像上的可视化效果，并探讨了这些算法如何提高脸部匹配器的透明度和可信度。

Aug, 2020

该论文提出了一种新的人脸识别解释框架，使用基于视觉显著性的解释方法来揭示深度人脸识别模型的决策过程；并提出一种新的相关性算法（CorrRISE）来生成显著性图，可同时揭示任意给定一对人脸图像中的相似和不同区域，并设计了两个评估指标来评估人脸识别中通用视觉显著性解释方法的性能， 实验证明该方法在解释人脸识别方面优于其他方法。

May, 2023

本文提出了一种叫做 SimPropNet 的框架，利用前景背景关注融合机制，同时预测支持和查询掩模，以共享特征信息来填补现有方法在利用相似性信息方面的不足，其在 PASCAL-5i 数据集上实现了最先进的一次和五次分割结果。

Apr, 2020

提出了一种端到端的面部图像检索框架，利用相关反馈逐步提供给目击者，对心理图像进行交互式和迭代式检索，无需额外注释，并进行 exttt {CelebA} 数据集上的实验证明，该模型在最佳设置下的排名百分位数可以达到 99％，可以成为进一步研究的基础。

Jul, 2020

本文提出了一种基于面部重建和视觉显著性的解释深度人脸识别决策的方法，通过产生表达输入面部相似和不相似区域的视觉显著性图，提供了有洞察力的解释， 在实验证明所提出方法的有效性。

Jun, 2023

介绍一种新的数字图像取证方法，称为 “取证相似性”，可以确定两个图像图块是否包含相同的取证痕迹或不同的取证痕迹。该方法使用基于卷积神经网络的特征提取器和三层神经网络组成的系统来计算图像汇总所包含的同一或不同取证痕迹的相似性得分，实验证明其可应用于各种取证痕迹，不需要事先了解特定痕迹的知识。该系统在检测相机型号、图像编辑和操作参数方面，表现出优异的性能和应用前景。

Feb, 2019