从模态到风格：重新思考异构人脸识别中的领域差距

本文提出了一种新的框架，通过条件自适应实例调制（CAIM）模块实现异构人脸识别的端到端训练。

该框架将不同光谱的人脸识别模态视为不同的风格，成功提升了识别性能。

利用大规模可见光数据对大型神经网络进行预训练，并采用正则化的微调策略，达到或超过多个公开基准的最新成果。

引入领域不变单元（DIU）来减小不同模态之间的领域差距，并通过对比蒸馏框架进行有效训练。

提出了一种具有身份属性解缠的人脸合成（FSIAD）方法，利用合成和原始图像同时训练网络以提高性能。

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。

双重生成模型通过生成多样的异构人脸图像，训练异构人脸识别网络，实现域不变且具有区分度的嵌入特征。

基于图形表现的异构人脸识别方法（G-HFR）利用马尔可夫网络考虑相邻图像补丁之间的空间兼容性，实验结果优于现有方法。

双变分生成框架（DVG）通过生成具有相同身份的异构图像，减少领域差距，显著改进最先进的结果。

基于联合深度学习的异构人脸匹配方法通过寻找共享特征空间，提升了在多个数据库上的识别性能。