awesome-face

这是一个关于面部相关数据集的合集仓库，主题涵盖2D人脸识别、视频人脸识别、3D人脸识别、反欺骗、跨年龄和跨姿态识别、人脸检测、人脸属性等领域的多个数据集资源，以分类列表形式组织。This is a curated repository of facial-related datasets. It collects multiple dataset resources spanning research fields including 2D face recognition, video-based face recognition, 3D face recognition, face anti-spoofing, cross-age and cross-pose face recognition, face detection, and facial attributes, and is organized in a categorized list format.

原始信息汇总

人脸相关算法、数据集与论文资源汇总

📝 论文与算法

综述

• Deep Face Recognition: A Survey
• Face Recognition: From Traditional to Deep Learning Methods
• Deep Facial Expression Recognition: A Survey
• A Survey on Face Detection and Classification for Partially Occluded images
• 3D face recognition: a survey
• Face detection techniques: a review

2D人脸识别

包含DeepID系列（DeepID1、DeepID2、DeepID2+、DeepIDv3）、Deep Face、Center Loss、Marginal loss、Range Loss、Contrastive Loss、FaceNet、NormFace、COCO Loss、Large-Margin Softmax Loss、SphereFace、AM-Softmax/cosFace、ArcFace、Adaptive Face、AdaCos、RegularFace、UniformFace、P2SGrad等算法。

人脸检测

包含Cascade CNN、MTCNN、ICC-CNN、Face R-CNN、Deep-IR、SSH、S3FD、FaceBoxes、Scaleface、HR、FAN、PyramidBox、SRN、DSFD、VIM FD、ISRN、PyramidBox++、RetinaFace等算法。

人脸对齐

包含PRNet、LAB、PFLD、2D & 3D FAN等算法。

3D人脸重建

包含3DMM、3DDFA、VRN、PRNet、2DASL等算法。

人脸攻击与防御

• A Dataset and Benchmark for Large-Scale Multi-Modal Face Anti-Spoofing
• Deep Tree Learning for Zero-Shot Face Anti-Spoofing
• Decorrelated Adversarial Learning for Age-Invariant Face Recognition
• Multi-Adversarial Discriminative Deep Domain Generalization for Face Presentation Attack Detection
• Efficient Decision-Based Black-Box Adversarial Attacks on Face Recognition

⚙️ 开源库

人脸识别

• face.evoLVe
• face_recognition.pytorch
• insightface
• face_recognition_framework

人脸检测

• libfaccedetection

📦 数据集

2D人脸识别

数据集	描述	发布时间
CASIA-WebFace	10,575个身份，494,414张图像	2014
MegaFace	100万张人脸，69万个身份	2016
MS-Celeb-1M	约1000万张图像，10万个名人	2016
LFW	13,000张人脸图像，1,680个身份	2007
VGG Face2	331万张图像，9,131个身份	2017
UMDFaces Dataset-image	367,888个人脸标注，8,277个身份	2016
Trillion Pairs	训练集：MS-Celeb-1M-v1c & Asian-Celeb；测试集：ELFW & DELFW	2018
FaceScrub	106,863张人脸图像，530个名人	2014
Mut1ny	头部/人脸分割数据集，超过17,300张标注图像	2018
IMDB-Face	约170万张人脸，5.9万个身份	2018
DiF	研究人脸识别系统公平性的多样性数据集	2019
Megaface2	67.2万人，470万张图像	2019

视频人脸识别

数据集	描述	发布时间
YouTube Face	3,425个视频，1,595人	2011
UMDFaces Dataset-video	超过370万标注视频帧，22,000个视频，3,100个身份	2017
PaSC	9,376张静态图像，2,802个视频，293人	2013
YTC	1910个视频序列，47个身份	2008
iQIYI-VID	50万个视频片段，5,000个名人，1000小时	2018

3D人脸识别

数据集	描述	发布时间
Bosphorus	105个身份，4,666张2D和3D人脸数据	2008
BD-3DFE	3D空间中的面部表情分析	2006
ND-2006	422个身份，9,443张3D人脸	2006
FRGC V2.0	466个身份，4,007张3D人脸和可见光人脸图像	2005
B3D(AC)^2	1,000个高质量动态3D人脸扫描	2010

反欺骗

数据集	人数/会话数	攻击类型	发布时间
NUAA	15/3	打印攻击	2010
CASIA-MFSD	50/3	打印、重放攻击	2012
Replay-Attack	50/1	打印、2种重放攻击	2012
MSU-MFSD	35/1	打印、2种重放攻击	2015
MSU-USSA	1,140/1	2种打印、6种重放攻击	2016
Oulu-NPU	55/3	2种打印、6种重放攻击	2017
Siw	165/4	2种打印、4种重放攻击	2018

跨年龄与跨姿态

数据集	描述	发布时间
CACD2000	超过16万张图像，2,000个名人，年龄范围16-62岁	2014
FGNet	超过1,002张图像，82人，年龄范围0-69岁	2000
MPRPH	55,000张图像，超过13,000人，年龄范围16-77岁	2016
CPLFW	3,000个正面对，包含姿态差异	-

搜集汇总

数据集介绍

构建方式

该数据集并非传统意义上的单一数据集，而是一个精心编排的综合资源库，其构建方式体现为对海量、分散的学术论文、开源算法库及公开人脸数据集的系统性梳理与整合。通过爬取、筛选和分类，将人脸识别、检测、对齐、三维重建及反欺骗等子领域的前沿研究成果，按照算法类型、数据集特性及发布时间等维度进行结构化组织，最终形成一个层次分明、易于检索的知识图谱。

特点

该资源库的核心特色在于其全面性与时效性，覆盖了从经典的DeepID系列到最新的ArcFace、RetinaFace等前沿算法，囊括了LFW、MegaFace、MS-Celeb-1M等权威数据集。同时，它按任务类型（如2D识别、检测、反欺骗）进行精细划分，并附有直接可用的论文链接与开源代码仓库，极大便利了研究者快速定位特定方向的代表性工作与基准数据。

使用方法

使用者可通过浏览目录直接定位所需子领域，例如在“2D- Face Recognition”部分查阅从Softmax变体到度量学习的最新损失函数论文，或在“Datasets”板块获取各数据集的下载链接与基本信息。此外，该库汇总了如InsightFace等成熟的开源工具包，便于开发者直接复现实验或进行二次开发，实现从理论到实践的快速衔接。

背景与挑战

背景概述

人脸识别作为计算机视觉领域的核心课题，自深度学习兴起以来取得了突破性进展。awesome-face数据集资源库由研究者polarisZhao于2018年左右创建，系统梳理了人脸相关算法、数据集及论文，涵盖2D人脸识别、检测、对齐、3D重建及反欺骗等子领域。该资源库整合了如LFW、MegaFace、MS-Celeb-1M等经典基准数据集，以及DeepID、FaceNet、ArcFace等里程碑式算法，为人脸研究提供了全景式导航。其影响力在于为研究者快速定位前沿进展与可用数据提供了便利，推动了人脸识别技术在安防、金融等领域的实际应用。

当前挑战

人脸研究面临多重挑战。领域层面，光照、姿态、遮挡及年龄变化等复杂场景下的鲁棒识别仍是难题，跨姿态与跨年龄识别（如CPLFW、CACD2000数据集所示）尤为突出；同时，人脸反欺骗（Anti-spoofing）需应对打印、重放等多样化攻击。构建过程中，大规模数据集如MS-Celeb-1M面临标注噪声与隐私合规问题，而视频数据集（如iQIYI-VID）需处理多模态对齐与长尾分布。此外，公平性研究（如DiF数据集）揭示算法在不同种族、性别间的偏差，成为伦理挑战。

常用场景

经典使用场景

在人脸识别与计算机视觉领域，awesome-face数据集库汇聚了海量标注人脸图像与视频资源，其经典使用场景聚焦于训练和评估深度人脸识别模型。研究者常利用LFW、MegaFace等基准数据集，验证ArcFace、SphereFace等算法在身份验证与聚类任务中的泛化能力。通过跨年龄、跨姿态的CACD2000与CPLFW子集，可系统测评模型对时间跨度与几何变异的鲁棒性。该库还涵盖MTCNN、RetinaFace等检测器所需的训练样本，支持从人脸检测到特征嵌入的全链路优化，成为推动人脸分析技术从实验室走向真实世界的核心试验场。

解决学术问题

该数据集体系有效解决了人脸识别研究中长期存在的三大学术难题：大规模身份区分、跨域泛化及活体检测。MS-Celeb-1M与Trillion Pairs等百万级数据集，为训练深度神经网络提供了足量身份类别，缓解了过拟合与长尾分布问题。LFW与VGG Face2则构建了标准化评测协议，使不同损失函数（如CosFace、AM-Softmax）的判别性特征学习得以公平比较。针对安全威胁，CASIA-MFSD与Oulu-NPU等反欺骗基准揭示了打印重放攻击的脆弱性，催生了对抗性防御与域泛化方法。这些资源共同确立了人脸识别从封闭集到开放集、从受控到非受控场景的科学评估范式。

衍生相关工作

该数据集库催生了大量经典衍生工作，深刻重塑了人脸分析的技术版图。在损失函数设计上，Center Loss与ArcFace开创了特征嵌入的间隔优化范式，后续的AdaCos与UniformFace进一步自适应缩放余弦逻辑，提升了类间可分性。检测领域，MTCNN的多任务级联结构启发了后续RetinaFace的密集回归策略，将人脸框与关键点定位统一为密集预测任务。反欺骗方向，Deep Tree Learning与Multi-Adversarial方法基于Oulu-NPU构建了零样本泛化框架，推动了域自适应防御的演进。三维重建方面，PRNet与2DASL通过位置图回归网络，将稀疏对齐扩展为稠密三维形变，为虚拟现实中的高保真人脸建模奠定了基础。