本文提出了一种利用远程光电容积图术（rPPG）任务中的显性和隐性先验知识的新框架，通过系统分析不同领域的噪声源，并将这些先验知识纳入网络进行训练，同时利用两个分支网络通过隐式标签相关性去除噪声并提取生理特征分布，我们的实验证明，该方法不仅在 RGB 跨数据集评估上胜过现有方法，而且能够很好地从 RGB 数据集泛化到 NIR 数据集。

Mar, 2024

研究表明，当前基于深度学习的 Remote Photoplethysmography (rPPG) 模型倾向于学习训练数据集中的脉搏波特征，作者提出的一种扩充训练数据集范围和变化性的方法成功缓解了这种倾向，进一步提高了模型的泛化能力。

May, 2023

本文介绍了一种远程面部信号分析的新方法，应用了神经网络和自监督训练进行无监督学习，利用对感兴趣信号的弱先验建模，并成功在四个数据集上进行测试，证明了该方法的可行性和效果。

Nov, 2021

本文提出了一种数据扰动的方法，通过提取少量含有身份相关信息的面部区域进行像素洗牌和模糊处理来解决 Remote Photoplethysmography 数据的隐私问题，实验表明该方法可将面部识别算法的准确性降低 60%，而对 rPPG 提取几乎不产生影响，可作为一种有效的隐私保护方案。

Jun, 2023

本文探讨了基于卷积神经网络（CNN）的心率监测中，参考信号的选择以及卷积核的多样性等因素对性能的影响，结果说明 CNN 基于血吸收变化提取了生理信号，同时证明了 PPG 相关先验知识有助于提高其性能，因此，建议今后将先验知识纳入混合 CNN 方法中进行研究。

Nov, 2019

通过模型相似性来衡量领域偏移的指标可用作领域偏移的度量，并且我们展示了这些指标与实际性能之间的高相关性。其中一项具有可行相关性的提议指标为 DS-diff，不需要假设对目标领域的基本事实，即可应用于自然环境数据。因此，我们研究了一个模型选择问题，在该问题中，无法获得评估领域的基本事实结果，并且相对于平均情况基准线，性能提高了 13.9%。

Apr, 2024

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017

该论文提出了一种新方法来学习一小组可解释的卷积核，以有效地进行信号质量评估和伪影分割，从而确保了心血管参数的稳健和准确。

Jul, 2023

本文提出了一个扩展的随机投影深度（RPD）方法来应对多模态和非凸数据云。该方法在再生核希尔伯特空间中计算 RPD。通过核主成分分析，我们期望该方法能够应对上述多模态和非凸问题。实验结果表明，所提出的方法优于 RPD，并可与现有检测模型相媲美。

Jun, 2023

该论文研究了卷积网络在评估彩色信号补丁的心率值方面的架构改进，通过添加卷积过滤层和组合损失函数来提高静止和混合运动情景下心率估计模型的性能。

Nov, 2019