本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。
Feb, 2018
本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题，并提出了 SynFace，探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因，并提出了 identity mixup 和 domain mixup 方法来缓解性能差距。此外，对于人工合成的图像，本文还对姿态，表情，光照等因素进行了实验分析，提供了几种有效利用合成数据进行人脸识别的方法。
Aug, 2021
该研究论文探讨了合成面部数据在人脸识别领域中的应用及近期进展，以及由此带来的挑战和未来前景。研究提出合成数据作为隐私友好的替代品具有很大的潜力。
May, 2023
采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从 91.93% 降低到 96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。
Oct, 2022
本研究主要探讨利用合成人脸数据训练深度人脸识别模型的有效性，以减少对真实图像的依赖并解决数据收集问题，并且通过数据增强技术的应用进一步优化识别准确率。
Apr, 2024
通过对真实数据集和合成数据集进行性能比较，我们发现了真实数据集和合成数据集之间的差异，并发现真实样本足以解释合成分布，而相反情况则不成立。
合成数据在解决处理真实面部数据的伦理和法律挑战中作为真实数据的替代品出现。我们研究了合成面部识别数据集的多样性与真实数据集的对比，以及生成模型的训练数据分布如何影响合成数据的分布。我们还研究了在比较最近三个基于合成数据的面部识别模型与基准模型 (基于真实数据) 在所研究属性上的具体偏差。结果显示，生成器生成的不同属性具有与所使用的训练数据相似的分布。在偏差方面，合成模型与真实模型具有类似的偏差行为。然而，发现较低的内部一致性似乎有助于减少偏差。
Nov, 2023
本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。
Jun, 2022
通过使用合成数据来缓解影响面部识别技术的人口偏见的可能性进行了研究。
Feb, 2024
本研究通过合适的合成数据及其训练方式进行模型的学习及数据的一般化，具有现实中追随的功效及实时性。
Sep, 2021