人脸识别是AI研究的一个重要的方向，CVPR 2022也有很多相关的论文，本篇文章将针对不同的应用分类进行整理，希望对你有帮助
人脸识别
人脸识是一个热门话题，在当前的基准测试中要以相当大的提升击败 现有的SOTA模型变得越来越困难。
越来越多的开放数据可以用于训练，在百万级规模的数据上进行训练的一个主要问题是：最终的全连接层随着身份的数量线性扩展，会导致每次迭代时内存占用巨大并且反向传播时非常慢。一种旨在缓解这种情况的方法是 Partial FC [2]（在今年CVPR上发表之前就已经非常流行了）它已经包含在insightface的repo中。该方法试图逼近现在标准的训练人脸识别方法(如CosFace、ArcFace等)的最后一层。为了达到更好的缩放人脸识别的目的，Wang等人(来自阿里巴巴)的方法[3]使用名为动态分类池（Dynamic Class Pool）的来替代最后的FC层，并通过更好的数据加载器进行了进一步的改进(见下图)。
另外两篇关于人脸识别的论文:He at al. [4]试图将深度和反照率从人脸图像中分离出来,提高使用 3D 信息的识别能力。它通过引入带有两个辅助网络的 3D 人脸重建损失来实现这一点。现在又很多方法都在试图将面部整合成 3D 信息(NeRF的论文中也看到相同的内容)。Phan和Nguyen的[5]方法也可以在重度遮挡人脸(太阳镜、口罩等)的人脸图片上验证，而且不需要对模型进行再训练。
[4] 使用人脸的 3D 重建来改善人脸识别。
[5] 提出了一种巧妙的方法来使用未被遮挡的面部部分进行面部验证（它不会重新训练模型）。
完整文章
https://avoid.overfit.cn/post/9c15fe50f63e48739e2e8c1f40b5c76c