隨著人臉識別技術的廣泛應用 ， 也在不斷促進技術本身持續發展 。 基礎算法研究、 人臉重建技術、 戴口罩人臉識別、 3D 人臉識別技術、 新型人臉採集技術、人臉聚類技術、 和低質量人臉識別技術， 是產業界和學術界關注的熱點 課題，也預示了人臉識別技術的發展趨勢。 基礎算法技術熱點包括模型結構設計 、 損失函數設計 、 無監督 / 半監督學習算法和分佈式自學習算法等 。 模型結構設計目前主要有手工設計與網絡結構搜索 (NAS) 兩種思路 。  ICCV 2019 輕量級人臉識別 (Lightweight Face Recognition) 競賽結果顯示 ， 雖然對大模型場景下結構改進帶來的提升則較為有限 ， 但是輕量級場景下網絡結構改進對於識別率提升較為明顯 。 損失函數設計的核心在於學習具備鑑別性且足夠魯棒的特徵 。 近年來基於度量學習與各類 margin — based 方法逐漸成為主流。 在特徵提取加速方面 ， 主要的方法有輕量級網絡 、 模型蒸惚 、 稀疏量化等 ；在特徵比對加速方面 ， 主要的思路有量化以及各類近似最近鄰檢索技術 。 低質量人臉識別技術。 在實際的動態應用場景下， 人臉識別技術由於場景的不可控因素， 採集到的圖片質量與訓練圖片的質量有很大差異， 如人臉偏轉， 大幅度側臉；運動模糊和失焦模糊 ；遮擋物(例如口罩， 墨鏡) ；低的光照強度和對比度；視頻傳輸由於編解碼過程產生的人臉信息丟失等， 這些因素導致準確率極度下降。 針對這些具體問題， 研究人員提出綜合利用各種圖像增強技術和圖像生成技術對人臉識別算法準確率進行提升的方法， 如採用對抗式生成網絡對攝像頭的風格進行遷移， 採用基於深度學習的方法 對小尺寸模糊人臉進行超分辨率重建和基於注意力機制對人臉圖片進行去模糊處理等。 此外， 3D 人臉識別技術也可以有效解決複雜場景下人臉單模態魯棒性不足問題， 如大角度、 遮擋引起的效果下降問題， 常用的融合策略有相似度融合、 特徵融合、 決策融合 等。 戴口罩人臉識別技術。 今年新型冠狀病毒疫情期間戴口罩人臉識別受到較大關注 。 常用的解決方法有數據增強、 遮擋恢復、 多部件模型融合等， 可應用在人臉布控、 陌生人檢測、 無感通行中， 均不需要摘下口罩， 在30 萬人像庫的規模下， 戴 口罩人臉識別準確率可大於90% 。 人臉聚類無論是在個人領域的相集管理還是在智慧城市治理領域都有較為廣泛的應用 。 早期主要基於傳統的聚類方法如 k-means 等 ， 但效果不佳 。 近年來 ， 基於 GCN 的人臉聚類方法嶄露頭角 。 實際業務中 ， 時空信息的挖掘也是研究的熱點 。 特定群體識別技術。 針對兒童/老人 、 不同膚色群體的人臉識別 ， 有標籤的數據較少 ， 而無標籤的數據更多些 。 研究人員提出可以利用半監督/無監督學習方法帶來性能的進一步提升 。 同時 ， 對抗 、 域適應等方法也是研究人員較為關注的方法 。 在特定群體識別中 ， 應考慮如何方便老年人使用人臉識別系統 。 為了防範照片、 視頻、 頭模等假體對人臉識別系統的攻擊， 呈現攻擊檢測算法也是研究的熱點， ​​主要檢測原理包括：a ） 離散圖像檢測方式， 即利用一幅或多幅圖像進行判斷 ；b ） 連續圖像檢測方式， 即採用連續圖像序列進行判斷，如檢測顯示器邊緣、 邊框、 屏幕反光、 像素點、 條紋分析等進行判斷；c ） 用戶主動配合檢測方式， 即通過指令要求用戶完成相應 動作如點頭、 抬頭、左右轉頭、 張嘴、 眨眼、 跟讀屏顯提示信息等進行判斷；d ） 基於輔助硬件設備的檢測方式， 即利用輔助硬件設備獲取更多判斷依據輔助進行判斷， 如利用 深度攝像頭採集人臉深度信息或利用特定波長光源投射並檢測在皮膚或非皮膚材質上產生的發射率差異等；e ） 用戶被動配合檢測方式， 如：利用靜脈血管、 肌肉、骨骼、 靜脈血液中 脫氧血色素對紅外線的吸收特性， 判斷其是否來自活體；通過特定指令引導用戶眼球運動， 並通過跟踪眼球運動以判斷是否為真實活體。 多模態融合識別技術。 多模態融合識別技術可以有效解決複雜場景下人臉單模態魯棒性不足問題 。 如大角度 、 遮擋 、 像素過低引起的效果下降問題或應用場景對於安全性可靠性要求很高的場景 ， 多模態可以增強識別的可信度 。 多模態識別有兩個發展方向， 一個方向是在臉部圖像特徵識別的基礎上， 增加頭肩和形體的識別， 這種技術的好處是可以不必增加額外的採集單元；另外一個方向是， 融合其他生物識別模態， 如靜脈紋理， 聲紋信息等， 這種技術除了能夠提高算法的魯棒性之外， 還可以提高活體驗證的可信度， 在行業裡受到了較為廣泛的關注。