本文通过 Multiscale Retinex 技术提升图像质量，并结合深度和浅层纹理描述符通过逻辑回归方法在得分级别上进行联合，实现了面部图像的亲属关系验证。作者通过对 Cornell Kin Face、UB Kin Face 和 TS Kin Face 等三个具有挑战性的亲属关系数据集进行了全面的实验，评估了该方法的有效性。

Dec, 2023

使用野外拍摄的面部照片进行亲属关系验证是计算机视觉科学中的研究难点之一，本研究介绍了一个基于面部图像的亲属相关性检查系统，通过面部预处理、特征提取和降维等方法，有效地提高了亲属关系验证的效率。

Dec, 2023

该研究通过人类研究和基于过滤器和压缩正则化惩罚的新颖特征表示方法（fcDBN）提出一种层次化的亲属验证方法，并使用 WVU 亲属数据库验证其在人脸验证中的性能提升。

May, 2018

该论文提出了一种新的方法，用于基于面部图像从血统上验证亲属关系，并确定这种基因关系的准确类型或程度。使用 LBP 和颜色 BSIF 学习特征进行比较和 TXQDA 方法进行降维和数据分类。实验结果证明了我们框架的可靠性，并超越了其他最先进技术的性能。

Dec, 2023

我们提出了一个名为 KinRace 的更大且完整的数据集，结合了现有的亲属关系数据集，并为每个身份标记了正确的种族信息；我们还通过引入多任务学习模型结构和注意力模块来提高准确性；最后，我们使用公平感知对比损失函数和对抗性学习来减轻种族偏见。通过详尽的实验评估，我们证明了所提出的 KFC 方法在标准差和准确性方面的有效性和卓越性能。

Sep, 2023

使用远程光电容积描记法（rPPG）信号进行面部亲缘关系验证的研究。提出了一种一维卷积神经网络（1DCNN）与 1DCNN-Attention 模块和对比损失相结合的方法，通过从不同 ROI 提取的多个 rPPG 信号为输入，学习亲缘相似性。最终，该方法在不同亲缘关系的 UvANEMO 微笑数据库上进行评估，展示了 rPPG 信号在验证亲缘关系中的实用性。

Sep, 2023

本文研究了多个视觉体之间的关系问题，如在一张照片中的孩子是否属于给定的父母，提出了相对对称双线性模型 (RSBM)、空间投票方法和大规模的三主体亲属数据库，并在多个数据库上进行了实验，证明了所提方法的有效性。

Jan, 2015

通过多尺度语义相关性挖掘网络（MSCMNet），从不同的模态中提取有区分性的特征用于匹配的任务中，最大的挑战在于如何全面利用语义特征以及尽可能减少特征提取中的模态信息损失。该网络包含三个主要组成部分：多尺度信息相关性挖掘模块（MIMB）用于关联多尺度语义特征，四重流特征提取器（QFE）用于从数据集的不同维度提取信息以丰富语义信息，以及四重中心三重损失（QCT）用于解决综合特征中的信息差异问题。在 SYSU-MM01、RegDB 和 LLCM 数据集上进行的广泛实验表明，所提出的 MSCMNet 具有最高的准确性。

Nov, 2023

本文提出了一种基于面部部件关系网络和交叉注意机制的亲属关系识别方法 FaCoRNet，能够更准确地识别亲属关系，取得了最大的公开数据集 FIW 上最优的成果。

Apr, 2023

通过使用堆叠深度多尺度分层网络，我们提出的解决方案在不同尺度的每个图像中聚合特征，可有效地从输入图像到目标图像转换图像照明设置，同时使用两个不同的损失函数，多步训练方法可显著提高性能，并实现光照变换的高质量重构，从而使照片增强成为无需人为干预的可能。

Jul, 2021