（1）Deep Face Recognition: A Survey【2019】 https://arxiv.org/abs/1804.06655 总结了深度学习在人脸识别领域的最新应用情况，1、不同的神经网络架构和损失函数 2、对于“一对多增强”（one-to-many augmentation）和“多对一普遍化”（many-to-one normalization）两类面部处理的过程，总结对比了常用的数据库3、关注了复杂场景，例如：交叉因素、异构、多媒体、工业场景 4、总结了当前方法存在的缺陷和未来方向

（2）Face Recognition: From Traditional to DeepLearning Methods【2018】 https://arxiv.org/abs/1811.00116 总结了从传统人脸识别方法，包括基于几何的、基于整体的、基于特征的与混合的，到深度学习方法

（3）P2SGrad: Refined Gradients for Optimizing Deep Face Models[2019] 利用概率相似度梯度（P2SGrad)更新神经网络参数,P2SGrad在训练中稳定，噪声强，并且在LFW，MegaFace 和IJB-C 这三个面部识别基准上均达到了最新的性能

（4）UniformFace: Learning Deep Equidistributed Representation for FaceRecognition[2019] 统一损失函数，人脸识别深度学习的均匀分布表示法

（5）AdaCos: Adaptively Scaling Cosine Logits for Effectively Learning Deep Face Representations【2019】 https://arxiv.org/abs/1905.00292 一种基于余弦的softmax损失函数，它没有超参数，并利用自适应比例参数来自动增强训练过程中的监督

（6）AdaptiveFace: Adaptive Margin and Sampling for Face Recognition【2019】 在基于边距的Softmax损失函数中提出了自适应余量Softmax来自适应地调整不同类的余量；在采样过程中提出了“硬原型挖掘”，以并引入了自适应数据采样以找到有价值的样本进行自适应训练

（7）ArcFace: Additive Angular Margin Loss for Deep Face Recognition【2019】 提出了一个附加的角余量损失（ArcFace），以获取用于面部识别的高度区分特征

（8）Additive Margin Softmax for Face Verification【2018】 为Softmax损失函数引入了一种新颖的加法角余量，它比现有成果具有直观的吸引力和更多的可解释性。

（9）SphereFace: Deep Hypersphere Embedding for Face Recognition【2018】 提出了角度softmax（A-Softmax）损失函数，它使卷积神经网络（CNN）能够学习角度判别特征。

（10）Large-Margin Softmax Loss for Convolutional Neural Networks【2018】 提出了L-Softmax损失函数

（11）ISRN:Improved Selective Refinement Network for Face Detection【2019】 https://arxiv.org/abs/1901.06651 利用Selective Refinement Network选择性优化网络进行人脸检测

（12）VIM FD:Robust and High Performance Face Detector【2019】 https://arxiv.org/abs/1901.02350 利用像DenseNet-121这样更强大的骨干网络得到VIM-FD的人脸检测

（13）RetinaFace: Single-stage Dense Face Localisation in the Wild【2019】 RetinaFace利用联合监督和自我监督的多任务学习优势，在各种比例的面部上执行像素级面部定位。

（14）SRN:Selective Refinement Network for High Performance Face Detection【2018】 https://arxiv.org/abs/1809.02693 将新型的两步分类和回归操作选择性地引入选择性优化网络（SRN）

（15）DSFD: Dual Shot Face Detector【2018】 https://arxiv.org/abs/1810.10220 DSFD

（16）FAN:Feature Agglomeration Networks for Single Stage Face Detection【2017】 https://arxiv.org/abs/1712.00721 提出“特征集聚网络”（FANet）框架

(17)PyramidBox: A Context-assisted Single Shot Face Detector【2018】 https://arxiv.org/abs/1803.07737?context=cs 提出了一种新颖的利用上下文辅助人脸识别，名为PyramidBox

(18)S3FD: Single Shot Scale-invariant Face Detector【2017】 https://arxiv.org/abs/1708.05237 提出了单镜头缩放不变人脸识别（S3FD），单个深度神经网络在各种比例的面部上都具有出色的性能，特别是对于小面部。

(19)SSH: Single Stage Headless Face Detector【2017】 Single Stage Headless (SSH)面部识别

(20)HR:Finding Tiny Faces【2017】 探讨了规模在预先训练的深度网络中的作用，提供了将针对有限规模调整到相当极端范围的网络进行推断的方法。

(21)ICC-CNN:Detecting Faces Using Inside Cascaded Contextual CNN【2017】 https://ieeexplore.ieee.org/document/8237606 用内部层叠结构，引入人脸/非人脸分类器在同一CNN中的不同层，体系结构自适应地利用身体部位信息来增强面部检测

(22)FACE R-CNN:Face R-CNN【2017】 利用了多种新技术，包括新的多任务损失函数设计，在线硬示例挖掘以及多尺度训练策略，以在多个方面改进Faster R-CNN。

(23)LAB:Look at Boundary: A Boundary-Aware Face Alignment Algorithm【2018】 https://arxiv.org/abs/1805.10483 利用边界线作为人脸的几何结构来帮助脸部界标定位，提出一种新颖的边界感知人脸对齐算法

(24)PRNet:Joint 3D Face Reconstruction and DenseAlignment with Position Map RegressionNetwork【2018】

(25)PFLD: A Practical Facial Landmark Detector【2019】 研究了一种在野生环境下（例如不受约束的姿势，表情，光照和遮挡条件）以及在移动设备上具有超实时速度的，具有良好检测精度的人脸检测模型

(26)2D&3D FAN:How far are we from solving the 2D & 3D Face Alignment problem? (and adataset of 230,000 3D facial landmarks)【2018】 研究了现有的2D和3D人脸特征点定位数据集与深度神经网络要达到的性能之间的距离

5、3D人脸建模(3D face reconstruction) (27)3DMM+CNN:Regressing Robust and Discriminative 3D Morphable Modelswith a very Deep Neural Network【2016】 3DMM+CNN

(28)3DMM+STN:3D Morphable Models as Spatial Transformer Networks[2017] https://arxiv.org/abs/1708.07199 3DMM+STN

(29)3DDFA:Face Alignment in Full Pose Range: A 3D Total Solution[2018] https://arxiv.org/abs/1804.01005 3DDFA

(30)2DASL:Joint 3D Face Reconstruction and Dense Face Alignment from A Single Image with 2D-Assisted Self-Supervised Learning[2019] https://arxiv.org/abs/1903.09359 2DASL