本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。

Mar, 2021

本文主要研究面部表示学习及其在面部识别中的应用，通过自我监督预训练学习未标记面部图像以提高面部识别性能，并采用基于地标的面部自我监督学习（LAFS）方法，通过提取面部地标实现关键表示学习，同时结合地标特定的数据增强以增加地标信息多样性，进而调节学习过程中地标位置的差异，并在多个面部识别基准测试中取得显著的改进效果，尤其是在更具挑战性的少样本情景中。

Mar, 2024

本研究提出了一种通用的人脸表示学习框架（FaRL），其使用对比损失和掩蔽图像建模来同时掌握高层语义和低层信息。在大量的图像和文本对上进行预训练并在多个下游任务中验证其性能，在人脸解析和人脸对齐等人脸分析任务中展现了比以往预训练模型更好的迁移表现。

Dec, 2021

本文提出了一种从原始视觉分组能力启动视觉表示学习的框架，操作化分组通过轮廓检测器，该检测器将图像分割成区域，并将这些区域合并成树形层次结构。实验表明，我们的方法朝着通用预训练方法的方向发展，其对下游任务有益，并可用于语义区域搜索和基于视频的对象实例跟踪。

Dec, 2020

本文提出了一种基于半监督学习的方法，其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测，该模型表现出广泛的适应性和高精度，并且在只有十个训练图片的情况下也能保持较高的准确率。

Nov, 2019

探索使用高性能预训练方法来提高面部分析任务的面部表示质量，在自我监督预训练框架中引入具有面部任务特殊调整的掩蔽图像建模和对比策略，并在大规模数据集上验证其优越性。

Sep, 2023

本研究提出了一个用于学习面部属性的无监督框架，通过观察视频中的人脸说话、笑笑和移动，引入了 Facial Attributes-Net (FAb-Net) 网络来将多帧视频面部轨迹嵌入到低维空间中进行训练，该网络通过预测每个帧的置信 / 注意力蒙版，以学习人脸嵌入表达方式，不需要任何标记数据的监督，并在这些任务上具有与最先进的自监督方法相媲美或超越它的性能。

Aug, 2018

本文提出的口罩人脸识别方法 (CAL and MFSA) 通过训练补充空间注意力集中于口罩区域和背景区域，并提取掩蔽不变特征的方式，在不影响传统人脸识别性能的前提下，提高了口罩人脸识别的准确性。

May, 2023

本文提出了一种基于自监督学习方法的区域和时序辅助任务学习框架（RTATL），通过考虑面部动作单元（AU）的属性，设计了 RoI 修复和基于单张图像的光流估计两个辅助任务，以更好地捕捉 AU 的局部特征、相互关系和运动线索，并在 BP4D 和 DISFA 数据集上进行了广泛的实验，在 AU 识别方面取得了最新的最优性能。

Jul, 2021

该研究提出了一种自我监督的方法，从大量可获得的非标注网页爬取的面部视频中学习高度鲁棒和通用的面部嵌入，提取可转移特征，称之为 MARLIN，有效，一致地执行多种人脸分析任务，包括 FAR，FER，DFD 和 LS，甚至在低数据范围内表现良好。

Nov, 2022