本文介绍了一种名为 FaceNet 的系统，其通过使用卷积神经网络及三元组学习法直接将人脸图像映射到紧凑的欧几里得空间中，使得人脸识别、验证和聚类等任务可使用 FaceNet 嵌入作为特征向量，仅使用 128 字节每个人脸即可实现最先进的人脸识别性能，其在 LFW 和 YouTube Faces DB 两个数据集上的表现都创造了最新纪录。同时，本文还提出了谐波嵌入的概念和谐波三元组损失，以描述不同网络产生的面部嵌入版本以及它们之间的直接比较。

Mar, 2015

本文通过对亿万级别的图片进行大规模的人脸识别实验，发现使用深度学习进行的人脸识别系统对于训练数据中的个体识别的准确率要高于其他个体，而目前的大规模人脸识别数据集的个人隐私意识缺失，对隐私造成了严重影响。

Jan, 2020

本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

May, 2023

FedFace 是一种面向联合学习的框架，用于隐私感知的多客户端人脸识别模型训练，提供较高的验证性能，不需要集中式聚合人脸数据集。

Apr, 2021

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

该论文提出了一种名为 BroadFace 的新颖方法，用于面部识别，其中使用了线性分类器、优化和补偿方法以提高准确性和效率，并在各种数据集上进行了广泛的实验证明其有效性和优越性。

Aug, 2020

提出使用面部合成的方法，而非手动标注更多面部图像，从而增加面部识别系统的训练数据，并将其应用于卷积神经网络，获得与数百万下载图像训练的系统报告的最新结果相匹配的性能表现。

Mar, 2016

提出使用大量的 3D 面部扫描数据和深度学习模型的方法来解决开放世界人脸识别问题，并取得了比现有技术超过 10％的精度提升。

Nov, 2017

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

本文提出了一个大规模的详细 3D 人脸数据集（FaceScape）及相应的评估标准来评估单视图面部三维重建，通过该数据集，提出了一种从单张图像输入预测精细可调和三维人脸模型的新算法，并且使用该数据集来生成用于评估单视图面部重建方法的基准数据，并报告和分析了在不同条件下的准确性和挑战。

Nov, 2021