本论文开发了一个自动和可扩展的管道来收集高质量的视频脸部数据集（VFHQ），并证明基于 VFHQ 训练的视频面部超分辨率（VFSR）模型可以产生比基于 VoxCeleb1 训练的模型更锐利的边缘和更细的纹理，同时时序信息在消除视频一致性问题以及进一步提高视觉性能方面也起着关键作用。

May, 2022

本文提出了一种简化面部操纵过程的新框架，包括边界预测阶段和解缠合成阶段，其中边界预测阶段通过边界图像对姿势和表情进行建模，解缠合成阶段则使用两个编码器网络将预测的边界图像和输入的面部图像编码到结构和纹理潜空间中并进行分离，最后基于一个新的高分辨率的人脸操纵数据库进行实验验证。

Mar, 2019

我们提供了第一个 3D 感知的全头像肖像生成器，它从包含多种摄像参数和身体姿势的高质量单视角真实肖像数据集学习一个规范化的 3D 化身分布，并利用我们的规范化生成器产生符合数据集身体姿态分布的变形结果来生成自各个摄像角度（360°）具有完整 3D 几何的视一致逼真肖像图像。

Jul, 2023

提出了一个包含 83 个面部属性注释的大规模高质量视频数据集，名为 CelebV-HQ，该数据集中包含 35666 个视频剪辑以及 15653 个身份，其可用于模型的训练与验证，通过无条件视频生成和视频面部属性编辑验证其实用性和潜力，并展示了数据集的多样性和时间连续性。

Jul, 2022

本研究提出了一个大规模的精细化人脸修饰数据集 RetouchingFFHQ，其中包含超过 50 万幅条件化修饰的图像。通过包含四种典型的人脸修饰操作和不同的修饰水平，将二元人脸修饰检测扩展为多粒度、多修饰类型和多修饰水平的问题。此外，我们提出了一种多粒度注意力模块 (MAM) 作为 CNN 主干的插件，以增强跨尺度的表示学习。通过对 RetouchingFFHQ 数据集进行广泛的实验，包括使用不同基线方法和我们提出的方法，在人脸修饰检测方面展现了良好的性能。在提出的新数据集的基础上，我们相信未来有很大的潜力来解决现实世界中细粒度的人脸修饰检测问题。

Jul, 2023

该研究介绍了一个多视角，高分辨率的人脸数据集，通过进行替代卷积编码器及对条件对抗网络（VAE）进行验证，对研究区域的深度插值进行了实验讨论。

Jul, 2022

本文介绍了一个新的注视估计数据集 ETH-XGaze，其中包含超过一百万个高分辨率的图像，记录了各种头部姿态下注视点的位置，为今后的注视估计研究提供了统一的实验协议和评估指标。

Jul, 2020

介绍了一个名为 VGGFace2 的大规模人脸数据集，其中包含来自 Google Image Search 的 3,310,000 张 9131 个主体的照片，通过训练在数据集上的卷积神经网络，我们展示了在所有 IARPA Janus 面部识别基准测试上的最新成果表现。

Oct, 2017

本文提出了一种基于神经网络的人脸识别质量评分方法，该方法在提取特征向量时给出一个明确的定量质量评分，不需要训练用于注释的人脸质量标签数据集，适用于在线的视频人脸识别。

May, 2021

本文介绍了使用众包平台创建大规模、干净的图像分割数据集的流程，并在 EasyPortrait 数据集上训练多个模型并展示实验结果，EasyPortrait 包含了 20000 张主要的室内照片，分成 9 类，并可用于皮肤增强和牙齿美白等任务。

Apr, 2023