- 从模态到风格：重新思考异构人脸识别中的领域差距
我们的研究工作着眼于异构人脸识别，提出了一种新的条件自适应实例调制模块 (CAIM)，可以有效地适应不同的源模态，并弥合领域差距，实现全面训练。通过在多个挑战性的基准测试中进行广泛评估，证明我们的方法优于现有的方法。
- 使用领域不变单元的异构人脸识别
基于预训练的人脸识别模型作为教师网络，学习领域不变的网络层，称为领域不变单元（DIU），用于减小不同模态之间的领域差距，并通过对比蒸馏框架有效地进行训练，以提高适应各种数据变化的预训练模型的性能。在多个具有挑战性的基准测试中，我们广泛评估了 - 重新思考近红外人脸识别中的领域差距
利用大规模可见光数据对大型神经网络进行预训练，然后采用正则化的微调策略，通过将异构人脸识别问题视为低数据微调问题，达到或超过四个公开基准的最新成果。
- 通过条件自适应实例调节缩小异构人脸识别差距
本文旨在解决异构人脸识别中的领域差异以及在目标领域中大规模数据集的限制问题，在这篇论文中，我们提出了一种新的框架，将不同光谱的人脸识别模态视为不同的风格，通过条件自适应实例调制（CAIM）模块适应中间特征图的风格，成功地在异构人脸识别上实现 - 面部综合识别中的身份特征解耦人脸合成
本文介绍一种从异构数据扩充的视角出发的新型异构人脸识别方法 —— 具有身份属性解缠的人脸合成（FSIAD），在大量合成的图像中使用随机组合的解缠特征丰富图像属性的多样性，并将合成和原始图像同时用于训练网络，以提高异构人脸识别的性能。
- CVPR高分辨率异构人脸超分辨率重建中数据稀缺问题的解决
本文提出了一种新的面部幻觉范式，该方法不仅可以实现数据有效的综合，还允许扩大模型培训而不违反任何隐私政策。与现有方法完全从头学习面部合成不同，我们的方法特别设计用于利用可见域内的丰富和多样的面部优先知识以获得更加忠实的幻觉，并引入一种新的联 - DVG-Face：双重变分生成用于异质人脸识别
该研究提出了一种双重生成模型，通过引入正面样本和负面样本，从而生成大量多样的异构人脸图像以训练异构人脸识别（HFR）网络，使其具有域不变且具有区分度的嵌入特征，并在多项挑战性数据库的 5 个 HFR 任务上实现了优越的表现。
- IJCAI基于多边界的异构人脸识别去相关学习
本文提出了一种名为多边距基准去相关学习的深度神经网络方法，用于识别在不同情境中获取的面部图像，并在两个具有挑战性的异构面部数据库上实现了比最先进方法更卓越的验证和识别效果。
- 通过分离独立因素进行跨光谱人脸超精细化
本研究提出一种姿态对齐的跨光谱幻觉方法，通过生成方法对准红外和可见光人脸图像，再使用一种纹理融合模块进行光谱转换，从而实现异构人脸识别。在三个具有挑战性的数据集上进行实验，验证了该方法在视觉和性能方面的有效性。
- 通过先验辅助的人脸超分辨率重建和残差知识蒸馏实现不同分辨率下的人脸识别
该研究提出了一个统一的分辨率不变模型（RIM）来解决低分辨率人脸识别问题，其中包含面部幻觉子网络（FHN）和异构识别子网络（HRN）。FHN 是一个三路生成对抗网络（GAN），使用无监督跨域对抗训练策略将非常低的分辨率查询图像超分辨率到比其 - 低样本异构人脸识别的双变分生成方法
本文提出一种新的双变分生成框架 (DVG)，通过生成大规模的具有相同身份的异构图像，从噪声中减少异构人脸识别 (HFR) 中领域差距，实现了身份一致性和配对特征距离的约束，有效缩小了领域差距。经过在四个 HFR 数据集上的广泛实验测试，表明 - 对抗式判别异质人脸识别
本文提出了一种对抗鉴别特征学习框架，通过在原始像素空间和紧凑特征空间上进行对抗学习，整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明，我们的方法优于最先进的 HFR 方法，且不需要复杂网络或大规模训练数据集 - Wasserstein CNN: 学习不变特征以用于近红外 - 可见光人脸识别
本文提出了一种新颖的方法：Wasserstein CNN，用于学习近红外和可见光面部图像之间对于解决异构人脸识别具有挑战性的问题具有不变性的特征。
- 异构人脸识别的图形表达
本文提出了一种基于图形表现的异构人脸识别方法 (G-HFR)，在该方法中，马尔可夫网络用于分别表示异构图像补丁，同时考虑相邻图像补丁之间的空间兼容性。实验表明，该方法优于现有的最新方法。
- 异构人脸识别综述：素描、红外、3D 和低分辨率
该综述文章深入探讨了异构人脸识别技术的已有技术及最新进展，并提供了常用的数据集和评估方法，最终对该领域进行了评估，并探讨了未来的研究方向。
- 异构人脸识别的共享表示学习
本研究提出了一种基于深度学习无监督算法的异质人脸识别框架，通过在局部人脸点处提取 Gabor 特征，并使用 RBM 学习本地共享表示来消除每个人脸点周围的异质性。最后，将局部 RBM 的共享表示连接在一起，并通过 PCA 处理，成功地解决了