我们提出了 VIGFace，一种新颖的框架，通过在特征空间上使用扩散模型生成合成人脸图像，解决了深度学习人脸识别中的巨大数据集和隐私问题，并实现了从两个方面取得的最新成果。

Mar, 2024

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

通过深度学习训练的 DeepID2 特征结合人脸识别和验证信号能够有效地减少人脸识别中的人际差异和人内差异并实现高辨识率。

Jun, 2014

本篇论文提出使用 DeepID3 算法来进行人脸识别，使用了卷积神经网络和 Inception 层，并采用监督信号技术来训练神经网络，最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。

Feb, 2015

该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

Apr, 2018

本文提出了基于多模态深度神经网络框架的人脸及耳朵综合识别系统，通过探索不同的多模态策略和领域适应技术，同时结合面部及耳部图像信息，成功实现了高精度的年龄和性别识别。

Jul, 2019

本文引入了 iQIYI-VID 数据集，它是用于多模式人物识别的最大视频数据集，由 600K 个 5,000 名名人的视频剪辑组成，这些视频来自于各种类型的在线视频。通过实验结果表明，多模态注意模块融合的多模态特征可以显著提高人物识别的准确性。

Nov, 2018

本文提出了一种新的生成模型 - 双射生成对抗网络，并引入成分提取和度量学习来增强图像的重建过程，最终生成出具有真实性和身份保留特性的面部图像。该模型在多个基准数据集上进行实验，证明了其有效性。

Mar, 2020

通过 AI 技术的计算机视觉系统识别戴口罩人群的情感，提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统，并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练，评估了四个卷积神经网络（Alexnet，Squeezenet，Resnet50 和 VGGFace2）的效果。实验结果显示，与单面具模式相比，我们的模型在多面具模式下的效果更好。其中，VGGFace2 网络在使用 JAFFE 数据集时的人员相关模式的准确率最高，为 97.82%，人员独立模式的准确率为 74.21%。然而，我们使用 UIBVFED 数据集评估了我们的模型。Resnet50 在人员相关模式下表现出了优越的性能，准确率分别为 73.68% 和 59.57%。此外，我们采用了精确度、敏感度、特异性、AUC、F1 值和混淆矩阵等指标来详细衡量我们系统的效率。此外，还使用了 LIME 算法来可视化 CNN 的决策策略。

Dec, 2023

ConsistentID 是一种创新方法，用于在细粒度多模式面部提示下生成多样性身份保留肖像，利用仅一个参考图像，通过组合面部特征、相应的面部描述和整体面部上下文来提高面部细节的精度，并通过面部注意力定位策略来优化身份保留网络，旨在保持面部区域的身份一致性。

Apr, 2024