本文提出了一种利用预训练人脸 GAN 中不同先验知识的 GFP-GAN 盲目人脸修复方法，其通过创新的通道分离空间特征变换层将生成式人脸先验纳入人脸修复过程，达到真实性和保真度之间的良好平衡。与 GAN 反演法相比，GFP-GAN 能够通过单个前向传递联合修复面部细节并增强颜色。大量实验表明，我们的方法在合成和实际数据集上比现有技术具有优越的性能。

Jan, 2021

该研究提出了一种将基于生成对抗网络的高质量人脸图像生成器嵌入到 U 型深度神经网络中的盲目人脸修复方法，其能更好地控制全局脸部结构、局部面部细节和背景，并在野外环境下显著提高盲目人脸修复的效果。

May, 2021

本篇综述对过去10年中涉及深度学习技术用于虹膜识别的研究进行了全面的回顾，包括算法设计、开放式工具、挑战以及新兴研究方向。主要关注虹膜生物识别中的分割、识别、鲁棒性、后验、开放源代码资源和技术挑战。

Oct, 2022

本文研究了使用深度学习算法处理生物识别任务时数据匮乏的情况，利用CNN网络在对少量样本进行培训的情况下，通过领域自适应和标准的计算机视觉算法的组合来实现生物识别任务，并探讨了SIFT算法在某些情况下的表现优于CNN。

Jul, 2023

通过人类显著性的加入，CNN的训练在诸如生物特征提取攻击检测等困难任务中取得了提升。在本文中，我们介绍了MENTOR（基于人类感知引导的虹膜展示攻击检测的预训练），通过两轮独特的训练解决了数据收集以及如何高效地将这些信息合并到模型的训练中的问题。通过学习人类显著性地图，我们展示了MENTOR的三个优点：（a）与通用权重（例如ImageNet来源或随机权重）相比，使用训练于人类感知的编码器权重显著提高了虹膜展示攻击检测的性能；（b）能够为未知虹膜展示攻击样本生成无限数量的人类样式显著性地图，以供任何人类感知引导训练范式使用；（c）提高了虹膜攻击检测模型训练的效率。本文提供源代码和权重。

Oct, 2023

本研究使用深度学习方法测试了低分辨率图像与高分辨率图像之间的端到端映射能力，并将其应用于虹膜识别问题，验证了深度学习方法在质量评估和识别实验中相对于其他算法的优越性。

Nov, 2023

通过全面数据驱动的方法，本文提出了一种能够对虹膜图像进行合成的方法，能够表示不同瞳孔尺寸、非现有身份的虹膜图像，并在改变瞳孔尺寸时能够保持身份，相比于现有的线性和非线性虹膜变形模型，该方法在相似性和身份保持方面表现更好。

Dec, 2023

使用基于生成对抗网络的合成虹膜图像生成技术进行全面评估，旨在为培训和测试虹膜识别系统和攻击检测器提供真实和可用的虹膜图像。该综述分析了不同模型生成的图像在真实性、唯一性和生物特征实用性方面的优缺点，以发展稳健的虹膜匹配器和攻击检测器。

Apr, 2024

提出了一种嵌入生成虹膜先验的Transformer模型（Gformer）来从复杂退化的虹膜图像中恢复，该模型通过Transformer块和虹膜生成对抗网络（GAN）预测虹膜先验并应用于虹膜恢复过程，实验证明该方法在虹膜识别性能上超出了现有方法。

Jun, 2024

本文提出了一种针对任意分辨率的虹膜识别的深度特征提取器，采用不同分辨率的图像进行训练以提高模型的鲁棒性并降低高分辨率图像的识别性能，通过自动切换网络实现了分辨率自适应的特征提取，并应用于三个传统神经网络模型，实验结果表明该方法提高了传统方法在低分辨率下的识别性能，同时保持了高分辨率下的性能。

Jul, 2024