本文提出利用面部标志信息的地标引导生成对抗网络（LandmarkGAN）, 用于使用单张图像进行面部表情转换，实现了在同样只有一张图像的情况下，比现有的基于关键点指导法更好地实现了面部表情之间的转换。

Sep, 2022

本文提出一种新的面部标记检测方法，通过使用样式转换来增加每个个体的分离样式和形态空间，得到增强的合成样本，进而构建了一种半监督模型，实现了在 WFLW 数据集上的最先进结果。

Aug, 2019

介绍了一种采用半监督学习方法，在没有 3D 地标数据集的情况下，通过直接提取（可见的）手工标记的 2D 地标，并确保更好的定义对齐，从而学习 3D 地标。该方法利用 3D 感知的生成对抗网络进行更好的多视角一致性学习，并利用实景多帧视频进行鲁棒的跨领域泛化。实证实验证明，该方法不仅在 2D-3D 地标之间实现了更好的定义对齐，还在 3DMM 标记和摄影测量基准数据集上优于其他监督学习的 3D 地标定位方法。

May, 2024

提出了一种无需手动监督来学习视觉对象（例如面部中的眼睛和鼻子）的地标探测器的方法，通过几何提取过程中引入的紧密瓶颈，结合外观和几何来生成图片，该方法适用于多种数据集，包括人脸、人物、3D 对象和数字，同时在无监督地标检测方面优于现有最先进的技术。

Jun, 2018

我们提出了一种利用最优地标引导的图像融合进行人脸变形攻击的新方法，通过优化变形地标并使用图卷积网络（GCNs）结合地标和外观特征的方式，生成更高质量的变形图像，对最先进的人脸识别系统构成更大的威胁。

Jan, 2024

使用未成对的训练数据和特征点辅助的 CycleGAN，我们能够高质量地生成漫画面孔，这些面孔几乎无法与艺术家绘制的面孔区分，这种方法建立在面部结构的一致性基础上。

Jul, 2019

本文提出了一种基于深度学习的人脸修复算法，结合人脸关键点预测和图像修复，实现了对人脸姿态、表情和遮挡等多方面的修复。在 CelebA-HQ 和 CelebA 数据集上的实验表明，该算法在视觉效果和定量评估上均超过了现有算法。同时，本文还发现高质量的修复图像和其关键点可以有效提高关键点预测模型的性能，在 300W 和 WFLW 数据集上也得到了验证。

Nov, 2019

本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

Sep, 2017

本文提出了一种风格聚合的方法，通过生成敌对网络将原始人脸图像转换为风格聚合图像，以处理面部关键点检测中图像样式的巨大内在变化，结果表明我们的算法在 AFLW 和 300-W 等基准数据集上与最先进的算法相比表现良好。

Mar, 2018

本文研究了关键点检测中使用的无监督学习方法，重点介绍了其不能生成等变中间卷积特征的问题，并提出了一种两步无监督方法，该方法通过首先学习强大的基于像素的特征，然后使用预训练的特征来通过传统的等变性方法学习关键点检测器。在多个挑战性的标志性检测数据集上实现了最先进的结果，例如 BBC Pose 数据集和 Cat-Head 数据集，并在一系列基准测试中表现出色。

Apr, 2021