本论文概述了 2024 年 WACV 组织的 “合成数据时代的人脸识别挑战”（FRCSyn）的概况，该国际挑战旨在探索使用合成数据来解决人脸识别技术中的现有限制，包括数据隐私问题、人口偏见、未知场景的泛化能力和具有挑战性场景中的性能限制。FRCSyn 挑战的结果以及提出的基准显著地促进了合成数据在改进人脸识别技术中的应用。

Nov, 2023

本研究论文总结了为了解决网络爬取的面部识别数据集引发的合法、伦理和隐私问题，近期提出的利用生成模型生成合成数据集的研究成果，同时介绍了面向面部识别模型训练使用合成数据的 SDFR 竞赛的概述、参与模型的评估结果以及对未来研究方向的展望。

Apr, 2024

本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

May, 2023

该研究论文探讨了合成面部数据在人脸识别领域中的应用及近期进展，以及由此带来的挑战和未来前景。研究提出合成数据作为隐私友好的替代品具有很大的潜力。

May, 2023

本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题，并提出了 SynFace，探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因，并提出了 identity mixup 和 domain mixup 方法来缓解性能差距。此外，对于人工合成的图像，本文还对姿态，表情，光照等因素进行了实验分析，提供了几种有效利用合成数据进行人脸识别的方法。

Aug, 2021

本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

Jun, 2022

本研究主要探讨利用合成人脸数据训练深度人脸识别模型的有效性，以减少对真实图像的依赖并解决数据收集问题，并且通过数据增强技术的应用进一步优化识别准确率。

Apr, 2024

本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。

Feb, 2018

本文提出了一种基于无标注的合成数据的无监督人脸识别模型 (USynthFace)，该模型使用大量的几何和颜色变换以及基于 GAN 的数据增强来训练，实现了相对较高的识别精度。

Nov, 2022

2023 年国际联合生物识别学术会议（IJCB 2023）举办的基于隐私感知合成训练数据的人脸呈现攻击检测竞赛（SynFacePAD 2023）的论文总结，共有 8 个来自学术界和工业界的参赛队伍提交了有效解决方案，竞赛旨在鼓励和吸引以隐私、法律和伦理问题为动机的以合成数据为基础的人脸呈现攻击检测解决方案，参赛选手使用的训练数据仅限于主办方提供的合成数据，提交的解决方案提出了创新和新颖的方法，在研究基准测试中表现优于考虑的基准。

Nov, 2023