提出了一种基于混合网络体系结构的面部动作单元检测方法，可同时处理面部表情解码中的三个问题：空间表示，时间建模和 AU 相关性。

Aug, 2016

本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。

Mar, 2018

本研究提出了基于知识图谱的面部动作单位识别建模框架，采用深层神经网络框架结合全局图神经网络进行语义关系传播，旨在增强面部区域特征提取提高面部表情识别性能，实验表明该方法在面部动作单位识别上取得了最佳表现。

Apr, 2019

本文提出一种基于条件随机场的 Copula CNN 深度学习方法，用于模型化面部表情中的多变量有序变量的结构，并从中提取出复杂的特征表达。通过在新引进的均衡批量迭代训练算法和深度 CNN 特征编码层中联合优化这些 CLIQUES，显著提高了面部表情分析性能。

Apr, 2017

本论文提出了一种新的学习框架，通过建立特征映射之间的语义对应关系自动学习 AU 之间的潜在联系，从而实现面部动作单元的强度估计，其中语义对应卷积模块（SCC 模块）可以提高特征的可辨识性，并且在两个基准数据集上展现了显著的性能优越性。

Apr, 2020

本文提出了一种用于促进 AU 检测的新型细粒度全局表情表示编码器以及设计了用于为每个 AU 生成本地面部特征的本地 AU 特征模块。实验结果表明，我们的方法优于现有方法并在 BP4D、DISFA 和 BP4D + 等广泛使用的面部数据集上实现了最先进的性能。

Oct, 2022

本研究提出了一种基于空间 - 时间关系和注意力机制的面部动作单元检测框架，其中使用了空间 - 时间图卷积网络来捕捉动态面部动作单元的空间和时间关系，并使用自适应学习的边界权重来形成关系图。此外，为了学习 AU 之间的时空关系，我们提出了一种注意力机制，以自适应地学习区域注意力，并通过抑制不相关区域来提取每个 AU 的完整特征。实验结果显示，我们的方法在 BP4D 和 DISFA 基准测试中实现了显著的改进。

Jan, 2020

本论文提出了一种监督学习方法，同时实现面部动作单位（AU）的本地化和强度估计，通过热图回归直接和联合估计所有 AU 强度和其可能导致可见变化的面部位置，旨在学习每 AU 的每个空间位置的得分。在 BP4D 数据集中，该方法取得了最新技术水平，同时对位移误差具有稳健性。

May, 2018

通过引入可解释的时空注意力机制来提高视频动作识别的准确性和模型解释性，并使用一组正则化器对其进行约束。利用弱监督的方式仅使用分类标签，模型不仅提高了准确性，还能时空自动定位区分性区域。

Oct, 2018

本文提出了一种因果推理框架，用于主体不变的面部动作单元（AU）识别，通过结构因果模型表达面部图像、主体、潜在 AU 语义关系和估计的 AU 出现概率之间的因果关系，采用插件因果干预模块（CIS）插入因果图，以消除干扰因素 Subject，实验结果表明 CISNet 可以达到最先进的性能水平。

Apr, 2022