Paper 协作革新，破解人脸欺骗技巧！通过学习去攻击来进行防御。用于人脸反欺骗的深度空间梯度和时间深度学习。用未标记数据泛化人脸表示。3D-CariGAN：一种从人脸照片生成3D漫画的端到端解决方案。
协作蒸馏：在超分辨率通用样式迁移中，提出了一种新的知识蒸馏方法，以减少基于编码器-结构的神经风格迁移模型中的滤波器。这一方法引入了线性嵌入损失来驱动学生网络学习教师特征的线性嵌入，并且在12GB GPU上实现了超过4000万像素的超分辨率通用风格迁移。
防御与攻击：提出了一个框架，用以训练一个鲁棒模型，该模型能够抵抗大部分对抗攻击。此方法相比传统对抗训练更高效。
反欺骗技术：利用多帧检测攻击，并通过残差空间梯度块捕获判别细节，以及时空传播模块编码时空信息。该论文还提出了一种新的“对比深度损失”，用于更精确地监督学习。此外，该研究收集了双模式反欺骗数据集（DMAD），为每个样本提供实际深度，从而评估所提方法的有效性。
泛化面部表示：利用无标注的人脸图像学习可泛化面部表示，这种方法只在具有足够多样性的少量未标注数据上进行训练，但其识别性能仍能获得显著提高。
3D讽刺漫画生成：提出了一种端到端的深度神经网络模型，可以将简单的人脸照片转换成高质量的3D讽刺漫画。这篇文章建立了一个包含6,100个网格的大型数据集，并使用该数据集建立PCA模型，以便输入的人脸照片可以检测出界标并与2D漫画和3D漫画形状之间建立对应关系。
