- 测试唐氏综合症患者人脸识别的性能
本研究探讨了面部识别算法在唐氏综合症患者身上的表现，结果显示唐氏综合症患者的面部识别性能下降，主要原因是出现了更多的错误匹配。
- 使用生成对抗网络合成虹膜图像：调查与比较分析
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。
- 高效表情中立性估计及其应用于人脸识别效用预测
鉴于人脸图像质量对生物特征识别系统的识别性能有很大影响，本研究旨在训练分类器来评估人脸表情中性，通过在七个数据集上进行大量性能基准测试，我们揭示了每个分类器在将 “中性” 与 “非中性” 表情区分开来方面存在显著差异，随机森林和 AdaBo - 神经集成、极大熵损失和特征增强的开放集人脸识别
这项研究介绍了一种新的方法，该方法利用紧凑型神经网络和基于边界的代价函数来关联，从而探索额外的样本，并可以通过在训练时间的表示层次上从外部数据库中获取补充的负样本或进行合成建模。实验结果表明，该方法能够提高闭集和开放集的识别率。
- 生物识别中测量偏差的公平性指数
本文提出了多个基于 biometric 系统评分的统计特征的评估指标和权重策略，通过评估数据得出生物识别系统的公平性。
- 揭示双重真相：分离面部变形身份以进行面部变形检测
本研究开发了 IDistill 方法，利用自编码器学习域信息，并将其精炼为分类器，以便教会它分离身份信息。在三个数据库中它超越了其他方法，并在另外两个数据库中表现出竞争力，有望用于预防生物测量系统攻击中的模拟攻击。
- 基于人脸关键点和生成对抗网络的面部变形攻击漏洞分析
本研究提供了一个包含 4 种不同类型的变形攻击的新数据集，并通过基于 OpenCV、FaceMorpher、WebMorph 和生成对抗网络（StyleGAN）的变形攻击实验，评估了现有人脸识别系统的风险程度，其中发现 VGG-Face 虽 - AAAIAuthNet: 利用面部特征运动的深度学习身份验证机制
本文提出了一种使用面部识别和特征运动作为密码的双重身份认证机制，基于机器学习和深度学习的生物特征识别系统在这种方案下表现出强大的鲁棒性和准确性。
- 面向说话人识别的通用对抗扰动生成网络
本文研究了针对采用深度学习的生物特征识别系统的攻击方法，并证明了普适性对抗扰动的存在。我们提出了一种生成网络，通过学习低维正态分布与普适性对抗扰动的映射关系，将其应用于扰动输入信号以欺骗训练有素的说话人识别模型，并在 TIMIT 和 Lib - AAAI探究面部识别审计中的伦理关切
为了避免加剧或补充审计系统所传播的伤害，审计人员需要意识到更多的设计考虑和伦理紧张关系。本文针对商业人脸处理技术，展示了五个伦理问题，并提供了这些问题的具体例证，同时反思了这些问题对算法审计的作用和它们所揭示的基本产品局限性的意义。
- 生成面部填充是否有助于人脸识别？
本文探究面部完整性对面部识别的影响，提出了一种基于卷积算子和门控机制的面部完整性编码器 - 解码器，并对真实的遮挡情况进行了分析和实验验证，证明了面部完整性可以部分恢复面部信息从而提高机器视觉系统的面部识别准确率。