通过利用自动编码器将面部图像向量转化为新的表示，本研究提出一种缩小有标签训练数据差距的方法，从而在无监督的人脸验证技术方面取得了 56％的 EER 相对改进，成功缩小了余弦和 PLDA 评分系统之间的性能差距。

Dec, 2023

提出了一种新颖的方法来检测深度伪造视频，使用一对通过自监督屏蔽自编码设置预训练的视觉转换器。

Jun, 2023

本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架，该框架包括一组卷积神经网络和三层堆叠自动编码器，使用公开可用的数据集训练，取得了超过 99％的人脸识别率。

Sep, 2015

本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。

Mar, 2021

本论文根据对深度神经网络训练过程的观察，提出了 class-encoder 的形式化表述方法，它结合了自动编码器（auto-encoders）和 softmax 函数进行监督训练，以降低类别内部的特征空间变异性，提高人脸识别模型的分类性能。

May, 2016

使用卷积神经网络进行非监督学习，提取图像中的高级特征，并取得了针对 20,000 个物体类别的显著优化结果。

Dec, 2011

本文提出了一种基于深度卷积自编码器的新颖模型，用于从野外拍摄的单幅彩色图像重建三维人脸。通过将卷积编码器与专家设计的生成模型相结合，提出了一种新的可微分参数解码器。该解码器将基于生成式模型的图像形成解析包括在内，以输入的码向量作为输入，从单个单眼输入图像中提取具有明确定义语义含义的参数。该文章的一个突破是在无监督的情况下，首次实现了 CNN 编码器和专家设计的生成模型的端到端训练，这使得对非常大的（未标记的）真实世界数据进行训练成为可能。所得到的重建结果在质量和表示的丰富性方面均优于当前最先进的方法。

Mar, 2017

本文提出了一种新型的自我监督混合模型（DAE-GAN），它结合了两个形变自编码器及条件生成的最新进展，用于学习如何在大量未标记视频的情况下自然地再现人脸，并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果，表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。

Mar, 2020

本文提出了一种基于半监督学习的方法，其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测，该模型表现出广泛的适应性和高精度，并且在只有十个训练图片的情况下也能保持较高的准确率。

Nov, 2019

本文提出了一种隐私友好的大规模人脸识别替代方案，使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此，本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法，并通过实验验证了其有效性。

Jan, 2021