- ECCV任务自适应的 Q-Face
提出了一种名为 Q-Face 的新型任务自适应多任务人脸分析方法，该方法能够同时执行多个面部分析任务，并在表情识别、动作单元检测、面部属性分析、年龄估计和面部姿态估计等方面达到了最先进的性能。
- 从野外面部图像中的年龄和性别分类的混合 Transformer-Sequencer 方法
该论文旨在通过结合自注意力和双向 LSTM 方法，提出了一个混合模型来解决年龄和性别分类问题，并与现有的先进模型进行对比，结果显示该模型在年龄和性别分类方面分别比先前的模型提高了约 10% 和 6%，表现更好，具有更广泛的学习能力，可应用于 - MM走向高质量的人脸表征学习
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。
- MetaHead：创建逼真数字头像的引擎
本文提出了 MetaHead，一个全面的可控数字头部生成引擎，以生成视图一致的 3D 可控数字头部，并生成与给定自定义特征标签一致的数字头部。实验证明，我们的可控数字头部发动机实现了最先进的生成视觉质量和重建准确性，并且生成的标记数据可以协 - AAAIMATT: e-learning 平台多模态关注度估计
本文提出了一个基于多模态脸部分析的新型远程注意力水平估计系统，它使用多达四个基于卷积神经网络的模块来分析面部表情、眨眼、头部姿势和距离等信号，并评估了这些模块分别进行注意力水平估计和多模态融合的效果。
- ECCV稠密特征点的 3D 面部重建
该研究论文提出了一种通过使用合成数据达到高密度标记点的方法来进行面部重建的方法，并成功将其用于嘴巴和眼睛等部位进行表情捕捉，从而取得了在单目 3D 面部重建方面的最新成果。
- 异质多任务学习的分布匹配：一项大规模人脸研究
本文提出了一种基于分布匹配的方法，将多个任务进行弱监督的共同训练，建立了第一个全面学习面部行为的框架 FaceBehaviorNet，并利用该框架进行了零 / 少样本学习，实现了好于现有方法的效果。
- 人脸图像质量评估：文献综述
通过深度学习的方法，本文综述了可用于人脸图像质量评估的文献，探讨了该技术在人脸识别和其它应用方面的潜在应用。
- 探究深度面部分析中的偏差：KANFace 数据集和实证研究
本文研究基于深度学习技术的面部识别、年龄估计、性别识别和亲属关系验证模型中存在的人口统计学偏差，并通过引入规模最大、最全面的面部图像和视频数据集及手动注释，揭示了基于最先进模型的拟合性能和偏差，最后引入和验证了去偏嵌入网络的方法。
- CVPRAvatarMe：野外真实可渲染的三维面部重建
本研究提出了 AvatarMe 方法，通过对大量面部形状和反射率数据的捕获从而建立一种能够逐步改善结果的 3D 纹理和形状重建方法，并生成所需的逐像素漫反射和反射组件，成功地从 “野外” 图像中重建真实的、4K x 6K 分辨率的 3D 面 - 人脸识别和属性预测中的深度不平衡学习
本研究采用各种经典策略验证了其在类不平衡数据的表示学习有效性，并展示了同时在和类内外保持间隔的约束下学习更具有区分性的深度表示的方法：Cluster-based Large Margin Local Embedding (CLMLE)，结合 - 人脸运动去模糊
本篇研究提出了一种数据驱动的方法，通过运用并行流来去模糊面部图像并保留身份信息，用于在高级面部分析任务中获得更好的结果。
- ECCV面部动态解析网络：面部特征估计中局部动态之间的重要关系是什么？
本文提出了一种新颖的深度学习方法，名为面部动态解释器网络，用于解释表情序列中面部局部动态之间的重要关系以估计面部特征，通过比较实验，证明该方法在性别分类和年龄估计方面的有效性，并且优于现有的方法。
- 联合约束级联回归框架用于面部动作单元识别和面部特征点检测
本文提出了一种约束联合级联回归框架（Constrained Joint Cascade Regression Framework, CJCRF）来解决面部分析中面部动作单元识别和面部关键点检测两任务，首先通过学习面部动作单元和面部形状之间的