本文介绍了一种基于卷积神经网络的回归框架，可用于训练社交属性分配的预测模型，该模型可以对人群的行为进行量化，应用于描述人脸的视觉属性和情感计算领域。

Oct, 2016

本文研究了各种影响人格认知的可能偏见源，包括面部表情情绪、吸引力、年龄、性别和种族，以及它们对表观人格估计的影响。使用多模态深度神经网络，综合音频和视觉信息，以及特定属性模型的预测来回归表观人格，并在 ChaLearn First Impressions 数据集上展示了最新的结果。此外，还提供了一种可解释性的网络设计，对每种可能的偏见源对最终网络预测的影响进行了增量分析。

Sep, 2019

本研究通过引入直接前馈机制和混合引导框架，以人物图像为重点，实现了保留主体身份的图像合成，旨在快速高效生成艺术肖像和身份融合图像，并在定性和定量评估中证明了方法在高保真度和效率方面的优越性。

Dec, 2023

研究表明，我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度，同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好，并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上，我们的实验获得了令人信服的结果，并得出了一些有意义的社会学结论。

Oct, 2015

本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法，并在新的面部属性数据集上进行了实证分析，结果显示该方法相对于基线方法在多个面部属性上均有显著提升。

May, 2016

利用定性和定量指标以及用户研究，本论文主要研究了生成模型在面部图像生成中的有效性和不足之处，并提出了一个框架来审核生成的面部图像的特征。通过对最先进的文本到图像扩散模型生成的面部进行应用，我们发现面部图像生成存在的限制包括对文本提示的忠实度、人口统计不平衡和分布偏移。此外，我们还提出了一种分析模型，以了解训练数据选择如何影响生成模型的性能。

Sep, 2023

本篇论文系统总结了基于视觉计算的表观性格特征识别的现有方法，讨论比较了这些方法的独特特点和限制；同时也讨论了该领域未来的研究方向和数据标注 / 评估的主观性问题，还简要回顾了当前数据集和挑战。

Apr, 2018

本文介绍 A View From Somewhere (AVFS) 数据集，其中包含了 638,180 个关于面部相似度的人类判断，用于学习与人类感知对齐的低维连续嵌入空间。该空间不仅可以准确预测面部相似性，还提供了人类决策过程中使用的维度的可解析分解和不同注释者对各维度的重要性。我们还展示了该维度在收集连续属性、执行分类和比较数据集属性差异方面的实用性。

Mar, 2023

本文提出了新的面部相似度量化任务，区别于传统的面部识别，并介绍了针对该任务的新数据集与分类网络。

Jun, 2018

图像生成模型在各种应用中变得普遍。这些模型通常通过使用假设普遍标准的人类质量判断进行微调和评估，而未考虑任务的主观性。为了研究如何量化主观性及其影响的规模，我们测量了不同使用情况下人类标注者之间的评估差异。通过模拟标注者主观性的潜在因素，我们设计了一组任务（T 恤图形、演示文稿视觉效果和手机背景图像），以从上下文中分析众包任务。研究结果表明，在个别情境和组合情境下，对图像的人工评估存在差异。图像外观、与文本的对齐以及文本中提到的对象的表达是影响这种主观性的三个关键因素。我们的研究强调了在构建和评估生成模型时考虑个别用户和情境的重要性。

Feb, 2024