研究探讨了使用合成数据进行量化方法时，整体性能、各种族细分性能和种族偏见，对深度学习模型在人脸识别中的应用进行压缩的潜在好处，对大多数测试场景的偏差减少等方面进行了分析。

Aug, 2023

本研究详细探讨和比较了轻量级人脸识别模型，特别关注 MobileFaceNet 及其修改版 MMobileFaceNet。我们研究了数据集选择、模型架构和优化算法对人脸识别模型性能的影响。通过在 EFaR-2023 竞赛中的参与，我们的模型在参数受限的类别中表现出色。通过使用 Webface42M 数据集的子集和集成锐度感知最小化（SAM）优化，我们在各种基准测试中实现了显着的精度提升，包括跨姿势、跨年龄和跨种族的性能。结果凸显了我们方法在打造既计算高效又在不同条件下保持高精度的模型方面的有效性。

Nov, 2023

研究通过有效的神经模型 $f$ 进行面部验证的问题。该模型的高效性源于将面部验证问题简化为二进制问题，并且每个用户都有自己的神经网络 $f$。为了在训练集中实现不同个体之间的信息共享，我们并未直接训练 $f$，而是使用超网络 $h$ 生成模型权重。该方法生成了一种紧凑的个性化面部识别模型，可部署在边缘设备上。该方法的关键在于创造性地生成困难样本并精心安排训练目标。我们的模型仅需 23k 参数和 5M 浮点运算（FLOPS），并且使用六个面部验证数据集证明我们的方法与最先进的模型相媲美或更好，同时参数数量和计算负荷显著减少。此外，我们进行了广泛的剔除研究以证明我们方法中每个元素的重要性。

Dec, 2023

该研究研究了模型压缩技术对面部表情识别模型大小、准确性和公平性的影响，结果表明针对性的技术对模型大小有明显减小效果，对准确性几乎没有影响；对于不同的数据集，受敏感属性的影响不同，作者们对结果进行了分析并讨论了发现的潜在原因。

Jan, 2022

2023 年国际联合生物特征识别学术会议上举行了高效人脸识别竞赛（EFaR），本文总结了该竞赛的概况和参赛解决方案的性能表现，以及一个多样性基准集合的解决方案的性能值和基准值。

Aug, 2023

该研究创建了一个新的百万级人脸基准数据集，包含清理后的面部图像，以及设计了一种时间约束的评估协议，建立了分布式框架以有效地训练人脸识别模型，并在 FRUITS 协议下建立了广泛的基准线。

Mar, 2021

针对面部验证应用所需要效率极高和吞吐量大的需求，本文提出了基于混合深度卷积核的一组极其高效的深度学习模型 MixFaceNets，在多个数据集中对模型进行了评估，结果表明在计算复杂度相同的情况下，MixFaceNets 在所有的数据集上性能优于 MobileFaceNets，同时在计算复杂性在 500M 和 1G FLOPs 之间时，我们 MixFaceNets 的结果与排名前几位的模型相当，同时使用的 FLOPs 更少，验证了我们提出的 MixFaceNets 的实用价值。

Jul, 2021

本文提出一种矢量量化方法，以减小卷积神经网络架构的存储占用，能以较小的内存占用提供高精度的图像识别。

Jul, 2019

本文介绍了 EdgeFace，这是一种轻量级高效的人脸识别网络，它结合了 CNN 和 Transformer 模型的优势，使用低秩线性层优化了计算性能，适用于边缘设备，并在多个领域取得了理想的人脸识别结果。

Jul, 2023

采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从 91.93% 降低到 96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。

Oct, 2022