NeutrEx: 一种基于面部表情中立性的三维质量组件度量
该研究论文介绍了一种使用超参数优化和集成构建方法来识别面部表情的算法，该算法在新的数据集上实现了很高的分类准确率，并且在 Kaggel 竞赛的排名也优秀。
Jun, 2013
本研究提出一种基于深度学习的新方法用于估计3D面部表情系数，该方法不依赖于人脸关键点检测的代理步骤，而是直接对面部图像强度进行处理，采用适应训练数据噪声的独特方法进行网络训练，通过基准测试表明所提出的方法能更准确地区分面部情感表达。
Feb, 2018
本研究利用深度学习技术中的情感条件适应网络（ECAN），通过权值重新分配参数解决了表情类别分布偏差问题，并同时匹配了不同领域的边缘和条件概率分布，大幅提高了面部表情转换任务的效果。
Apr, 2019
本文研究了人脸表情识别中的偏见与公平性问题，并对三种不同的方法在两个不同数据集上进行了比较，结果表明，使用数据增强的属性感知方法和解缠方法比基线方法更具准确性和公平性，在减轻人口统计学偏见方面，解缠方法是最好的选择。
Jul, 2020
本文介绍了一种新的注意力特征提取框架ARBEx，该框架由Vision Transformer驱动，具有可靠性平衡功能，可以应对面部表情学习任务中的类别分布不佳、偏差和不确定性。与基于窗口的交叉注意力ViT一起，我们加强了几种数据预处理和细化方法，同时在嵌入空间中引入了学习型锚点、标签分布和多头自我注意机制，以优化性能，减弱标签预测中的弱预测，从而增强标签预测的韧性。同时，引入了锚损失，以鼓励锚点之间的大间隔，提高模型的辨别能力。通过大量实验，在各种情境下，我们的方法优于目前最先进的方法。
May, 2023
借助神经重参数化优化，我们提出了一种视频中的3D人脸网格伪标注方法NeuFace。通过NeuFace优化方法，我们在大规模人脸视频上注释了每个视角/帧的准确一致的人脸网格，称为NeuFace数据集。我们研究了神经重参数化如何通过梯度分析在3D网格上重建与图像对齐的面部细节。通过利用我们数据集中3D人脸的自然性和多样性，我们展示了该数据集在改善现有3D人脸重建模型的重建精度和学习3D面部运动先验方面的实用性。代码和数据集将可在此https网址获取。
Oct, 2023
鉴于人脸图像质量对生物特征识别系统的识别性能有很大影响，本研究旨在训练分类器来评估人脸表情中性，通过在七个数据集上进行大量性能基准测试，我们揭示了每个分类器在将“中性”与“非中性”表情区分开来方面存在显著差异，随机森林和AdaBoost分类器在高准确性下最适合区分中性与非中性表情，但在预测面部识别效用方面却表现不及支持向量机。
Feb, 2024
从实景图像中精确重建具有表情的 3D 人脸，通过改进现有方法（SMIRK），引入神经渲染模块并增加表情多样性来优化训练数据，从而显著提高表情重建的性能。
Apr, 2024
基于对预训练模型权重的改变进行检查以评估人脸图像质量，采用批量归一化算法（BNS）的差异性作为评价指标，通过反向传播计算梯度大小来得出人脸图像的质量。通过全面实验，证明我们的方法不需要质量标签，也不需要训练回归网络或设计优化特定损失函数，仍能达到与最新技术水平相媲美的性能。
Apr, 2024