本研究比较了视频序列中微笑真实性评估的手工特征与深度学习特征的优缺点。结合长短期记忆网络和面部动作单元动态特征，实验结果表明该方法在实时评估中优于基线技术，对情感识别领域具有重要意义。

本研究介绍了多种基于自监督学习的面部表情识别模型，强调了在数据稀缺情况下的有效性。通过对比学习、区域和时序辅助任务等方法，显著提升了面部动作单元（AU）检测的性能，尤其在多个数据集上取得了最先进的结果，有效解决了标签噪音和数据不平衡等挑战。

该文章介绍了一种基于面部动作单元（AU）的参数高效迁移学习方法，使用AUFormer和MoKE协同机制实现AU检测，同时设计了MDWA-Loss来关注激活的AU、区分未激活AU的难度并排除标签错误样本。实验证明AUFormer具有最先进的性能和泛化能力，无需其他相关数据。

本研究提出了一种自监督对比学习方法，用于从未标注的面部视频中学习面部动作单元的表示，解决数据不足的问题，并在动作单元检测中取得了较好的区分度。