低分辨率人脸在没有数据的情况下，提升方法

1、domain adapt ，高低分辨率双通道
2017 ADDA
2018
2019
2020

2、细腻度分类方法训练
Destruction and Construction Learning for Fine-grained Image Recognition（2019）
通过对图片进行画格子，乱像素寻找最能分辨的特征进行

3、数据处理
刚开始只是添加低分辨降采样
后来在此基础上添加模糊，遮挡
用细腻度方法，训练得到最有辨识度人脸特征，并用热力图显示查看
不同模型结果，对不同人脸的一个，注意力

4、最新损失函数 细腻度分类

该方法只需要加入这个损失，联合训练，就可以
https://www.sohu.com/a/375785147_120381574

GAP，CCMP，和CWA分别是全局平均池化（global average pooling），跨通道最大池化（cross-channel max pooling）和通道维度的注意力机制（channel-wise attention

我们提出的MC-Loss包含两个组件，协同工作学习细粒度特征。首先，判别力 组件用于约束使得属于某一类的特征通道拥有对其分类有益的判别区域，而不是像传统的方法那样将所有特征混合在整个特征图中。此外，我们引入了一个新的通道注意力机制，在训练过程中在每一组特征通道中随机丢弃一定概率的特征通道，使得属于某一类的多个特征通道均具有判别性。之后，我们应用跨通道池化（cross-channel pooling）将每组特征在空间维度上进行混合，并产生最终的特征图，最终的特征图是类别对齐的并且拥有显著的判别性。
The Devil is in the Channels: Mutual-Channel Lossfor Fine-Grained Image Classification

5、BBN 特征提取和分类器区别训练方式

《BBN for Long-Tailed Visual Recognition》
文章首先指出了现在解决Long-Tail问题常用的re-balancing方法（Re-Weighting & Re-Sampling）虽然可以通过提升网络结构中classifier部分的性能，但是却损害了Representation部分（feature extractor backbone）学习的效果。如图1所示，虽然在Re-blancing之后，模型可以正确分类部分tail类的数据，但是却使得每个类的类内分布变得更加separable。

6、Towards Universal Representation Learning for Deep Face Recognition

https://arxiv.org/pdf/2002.11841.pdf

7、2019Towards Interpretable Face Recognition

https://arxiv.org/pdf/1805.00611.pdf

上述没有与arcface 相关网络对比体现性能
在这篇文章中，我们提出了我们的努力，以解释性人脸识别。我们的主要目标是从数据中学习结构化人脸表示，其中每个维度在一致的语义人脸部分上活动并捕获其身份信息。我们通过实验证明，我们的新损失函数设计所提出的方法，可以产生更多的局部约束的单个滤波器响应和总体上广泛分布的滤波器分布，同时保持SOTA人脸识别性能。利用可解释性的一个副产品是提高了人脸识别中对遮挡的鲁棒性

Domain Balancing: Face Recognition on Long-Tailed Domains

https://arxiv.org/pdf/2003.13791.pdf 2020，有一点点提升

长尾问题一直是人脸识别中的一个重要课题。然而，现有的方法只关注类的长尾分布。不同的是，我们致力于长尾域分布问题，它指的是少数域频繁出现，而其他域则少得多。这个问题的关键挑战是域标签太复杂（涉及种族、年龄、姿势、照明等），在实际应用中无法访问。本文提出了一种新的域平衡机制来解决这一问题。具体来说，我们首先提出了一个域频率指示器（DFI）来判断样本是来自头域还是尾域。其次，我们根据DFI调整网络，建立了一个轻权剩余平衡映射（RBM）块来平衡域分布。最后，我们在损失函数中提出了一个区域平衡裕度（DBM），进一步优化尾部区域的特征空间，以提高通用性。通过对多个人脸识别基准的大量分析和实验表明，该方法有效地提高了泛化能力，取得了较好的性能。