使用计算算法和相机进行非侵入性、低成本和可扩展的生理（例如心肺）重要指标的测量非常吸引人。该研究引入了 Synthetic 数据集 SCAMPS 为相机测量生理指标提供完美标签，并以真实数据集作为测试集以说明可推广性。

Jun, 2022

提出了一种基于多摄像头的自监督视频心率和呼吸率测量方法，通过对多个摄像头捕获的面部视频进行对比学习，预测同步视频的脉搏和呼吸波，并通过数据增强技术和预训练模型提高模型的鲁棒性，实验结果表明该方法优于现有的心率和呼吸率测量方法。

Oct, 2023

本文提出一种针对面部视频的生理信号恢复算法，包括一个完整且高效的训练和测试框架，以及一个高度同步、无损格式的数据集，该数据集包含来自 58 个受试者的 32 个小时（3.53M 帧）的视频，旨在为不同的算法提供公平比较。

May, 2023

本文针对医疗领域中自动检测视频中生命体征（如心率和呼吸率）这一挑战性的计算机视觉问题，通过使用一种新颖的深度学习方法，在红外热成像领域从纯合成数据中训练递归深度神经网络来检测生命体征，并且无需手工标注，取得了 LCAS 数据集上最优的结果。

Apr, 2020

本文提出了一种无监督的远程光学脉搏测量方法，利用 3D 卷积神经网络模型以及对比损失训练模型，可以在不需要参照信号的情况下提高精度，并可以更快地运行且更耐噪音。

Aug, 2022

视频远程生理测量是利用面部视频测量血容量变化信号，也称为远程光电容抗 (PRP)。本文提出了一种名为 Contrast-Phys + 的方法，可以在无监督和弱监督设置下进行训练。我们使用 3D 卷积神经网络模型来生成多个时空 PRP 信号，并将 PRP 的先验知识纳入对比损失函数中。我们进一步将 GT 信号纳入对比学习，以适应偏向性或错位标签。对比损失鼓励来自同一视频的 PRP/GT 信号进行分组，并将来自不同视频的信号分开。我们在包括 RGB 和近红外视频的五个公开数据集上评估我们的方法。即使在部分可用或错位的 GT 信号或没有标签的情况下，Contrast-Phys + 也优于最先进的有监督方法。此外，我们还强调了我们的方法在计算效率、噪声鲁棒性和泛化性方面的优势。

Sep, 2023

本文提出了一种使用深度卷积神经网络进行基于视频的非接触式心率和呼吸率测量的新方法，该系统采用一种基于皮肤反射模型的新动作表示和一种使用外观信息引导运动估计的新注意机制，从而实现在异质光照和主要运动下强大的测量，其空间 - 时域分布可通过注意机制进行可视化，能够显著优于所有当前最先进的 RGB 和红外视频数据集上的方法。

May, 2018

本文提出了一种基于自监督的时空学习框架，用于表示从面部视频中收集的生理信号，通过应用特定的数据增强模型以及约束时空损失，可以取得比其他自监督方法更好的结果，并且与最先进的有监督方法具有相当的精度。

Jul, 2021

本论文提出了一种交叉验证的特征分离策略，以获得与非生理特征分离的生理特征，并使用提取出的生理特征进行多任务生理测量，该方法在多个公共数据集上进行了综合实验，表现出了较好的鲁棒性。

Jul, 2020

本研究分析了目前为止最大的真实世界远程光电容抗数据集，涵盖了 893 名受试者和 6 种菲茨帕特里克皮肤色调，实验结果表明，包含数百名受试者的数据集足以进行有效的远程光电容抗模型训练，并强调了皮肤色调的多样性和一致性对于不同数据集的精确性能评估的重要性。

Apr, 2024