本篇内容是 2021 年第一篇整理类文章，也是今年 CV 领域第一个较有影响力的学术会议 —— WACV 2021 的人脸相关论文，涉及到人脸重建、人脸识别、人脸表情识别、人脸热成像、人脸属性编辑以及人脸活体检测。其中还有 4 个大规模的人脸数据集值得关注。
共计 11 篇，如有遗漏，欢迎补充。
下载包含这些论文的 WACV 2021 所有论文，请点击：『WACV 2021 开幕，更偏重技术应用，附论文下载』
人脸重建
Identity Unbiased Deception Detection by 2D-to-3D Face Reconstruction
作者 | Le Minh Ng， Wei Wang，Burak Mandira，Sezer Karaoglu，Henri Bouma，Hamdi Dibeklioglu ，Theo Gevers
单位 | 阿姆斯特丹大学；Bilkent University；TNO；3DUniversum
论文 | https://openaccess.thecvf.com/content/
WACV2021/papers/Ngo_Identity_Unbiased_
Deception_Detection_by_2D-to-3D_Face_Reconstruction_WACV_2021_paper.pdf
人脸修饰
AutoRetouch: Automatic Professional Face Retouching
快速和高质量自动修饰脸部瑕疵，两秒内产生高质量的专业级效果。具有低内存占用率，去除脸部瑕疵的同时保留了皮肤的独特特征，输出优于 groundtruth 数据。泛化能力强，可以跨数据集通用，并且适用于低分辨率的手机图像。
作者 | Alireza Shafaei；James J. Little；Mark Schmidt
单位 | 不列颠哥伦比亚大学
论文 | https://openaccess.thecvf.com/content/
WACV2021/papers/Shafaei_AutoRetouch_Automatic
_Professional_Face_Retouching_WACV_2021_paper.pdf
代码 | https://github.com/skylab-tech/autoRetouchFFHQR
Dataset | https://github.com/skylab-tech/ffhqr-dataset
半监督人脸检测器
maskedFaceNet: A Progressive Semi-Supervised Masked Face Detector
maskedFaceNet，progressive 半监督学习方法，可以减少数据标注的工作量，让深度模型使用较少的标注训练数据进行学习。检测效果更高效和准确。
作者 | Shitala Prasad, Yiqun Li, Dongyun Lin, Dong Sheng
单位 | A*STAR
论文 |
https://openaccess.thecvf.com/content/WACV2021/papers/Prasad_maskedFaceNet_A_Progressive_Semi-Supervised_Masked_Face_Detector_WACV_2021_paper.pdf
人脸活体检测
CASIA-SURF CeFA: A Benchmark for Multi-Modal Cross-Ethnicity Face Anti-Spoofing
发布了迄今为止最大的人脸活体检测数据集，在模式、被测目标数量和攻击类型方面都是如此。更重要的是，CeFA是唯一一个带有民族标签的公开人脸活体检测数据集。此外，通过从多模态数据中学习补充信息来缓解民族偏见，提供了一条基线：PsmM Net。广泛的实验验证了算法的实用性以及在所提出的数据集上训练模型的泛化能力。
作者 | Ajian Liu, Zichang Tan, Jun Wan, Sergio Escalera, Guodong Guo, Stan Z. Li
单位 | M.U.S.T；中科院自动化所；CVC；百度；西湖大学
论文 | https://openaccess.thecvf.com/content/WACV2021/papers/Liu_CASIA-SURF_CeFA_A_Benchmark_for_Multi-Modal_Cross-Ethnicity_Face_Anti-Spoofing_WACV_2021_paper.pdf
数据集 | https://sites.google.com/qq.com/face-anti-spoofing/welcome/challengecvpr2020?authuser=0
备注 | WACV2021
人脸热成像数据集
A Large-Scale, Time-Synchronized Visible and Thermal Face Dataset
ARL-VTF 数据集拥有来自 395 个被摄者的 500,000 多张图像，是迄今为止最大的成对可见光和人脸热成像集。
作者 | Domenick Poster, Matthew Thielke, Robert Nguyen, Srinivasan Rajaraman, Xing Di, Cedric Nimpa Fondje, Vishal M. Patel, Nathaniel J. Short, Benjamin S. Riggan, Nasser M. Nasrabadi, Shuowen Hu
单位 | 西弗吉尼亚大学；DEVCOM 陆军研究实验室；博思艾伦咨询公司；约翰斯·霍普金斯大学；内布拉斯加大学林肯分校
论文 | https://arxiv.org/abs/2101.02637
人脸识别
Red Carpet to Fight Club: Partially-Supervised Domain Transfer for Face Recognition in Violent Videos
研究了人脸识别背景下的部分监督域迁移问题，基于干净的训练图像，评估算法对粗劣视频中人的识别能力。引入一个数据集：WildestFaces，包含模糊、姿势多样性、遮挡和分辨率等不利图像。
作者 | Yunus Can Bilge, Mehmet Kerim Yucel, Ramazan Gokberk Cinbis, Nazli Ikizler-Cinbis, Pinar Duygulu
单位 | Hacettepe University；中东技术大学
论文 | https://arxiv.org/abs/2009.07576
数据集 | https://ycbilge.github.io/wildestFaces
备注 | WACV2021
FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age for Bias Measurement and Mitigation
缓解种族偏见，FairFace 数据集包含 7 种族：白人、黑人、印度人、东亚人、东南亚人、中东人和拉丁人。准确率大大提高，重要的是在种族和性别组之间的准确率是一致的。
作者 | Kimmo Kärkkäinen, Jungseock Joo
单位 | 加利福尼亚大学洛杉矶分校
论文 | https://arxiv.org/abs/1908.04913
代码 | https://github.com/joojs/fairface
备注 | WACV2021
人脸表情识别
Temporal Stochastic Softmax for 3D CNNs: An Application in Facial Expression Recognition
基于视频的 3D CNNs 高效训练策略，依赖于 softmax temporal pooling 和 a weighted sampling mechanism（加权采样机制）来选择最相关的训练片段。以此降低了计算复杂度，提高了准确性。
作者 | Théo Ayral, Marco Pedersoli, Simon Bacon, Eric Granger
单位 | 康考迪亚大学
论文 | https://arxiv.org/abs/2011.05227
备注 | WACV2021
Facial Expression Recognition in the Wild via Deep Attentive Center Loss
Deep Attentive Center Loss（DACL）是一种灵活的用于自然场景下人脸表情识别的方法。DACL 集成注意力机制，以 CNN 中的中间空间特征图作为上下文，估计与特征重要性相关的注意力权重。估计的权重适应中心损失的稀疏公式，以选择性地实现嵌入空间中相关信息的 intra-class compactness 和inter-class separation 。在两个自然 FER 数据集上实验表明 DACL 由于 SOTA。
作者 | Amir Hossein Farzaneh, Xiaojun Qi
单位 | 美国犹他州立大学
论文 |
https://openaccess.thecvf.com/content/WACV2021/papers/Farzaneh_Facial_Expression_Recognition_in_the_Wild_via_Deep_Attentive_Center_WACV_2021_paper.pdf
代码 | https://github.com/amirhfarzaneh/dacl
备注 | WACV2021
Facial Emotion Recognition with Noisy Multi-task Annotations
提出一个新的带有噪声多任务标签的人脸表情识别问题，目的是为获得现成的廉价多任务标注。并为此提出解决方案，一个具有 explicit joint 和边缘分布数据匹配和异构多任务标签的通用公式。并通过引入一种新的对抗式学习模型，以基于联合和边缘分布的约束条件来优化情绪预测的训练，结果证明了该模型适合新提出的问题。
作者 | Siwei Zhang, Zhiwu Huang, Danda Pani Paudel, Luc Van Gool
单位 | 苏黎世联邦理工学院；鲁汶大学
论文 | https://arxiv.org/abs/2010.09849
代码 | https://github.com/sanweiliti/noisyFER
备注 | WACV2021
人脸属性编辑
FACEGAN: Facial Attribute Controllable rEenactment GAN
作者提出一个名为 FACEGAN 的 facial animator （人脸动画器），能够从单个源图像中进行高质量的重现。
与先前的工作不同的是，该模型对源和驱动对的兼容性不作任何限制。该模型结合了动作单元和人脸关键点运动表示的最佳特性，以减少身份泄漏问题，并优化重现质量。
此外，FACEGAN 分别处理人脸和背景，提高了输出质量，并提供了额外的选择所需背景的控制。
作者将所提出方法与最先进的方法进行了比较，并在数量和质量上都获得了优越的结果。
作者 | Soumya Tripathy, Juho Kannala, Esa Rahtu
单位 | Tampere University；阿尔托大学
论文 | https://arxiv.org/abs/2011.04439
备注 | WACV 2021
推荐阅读
