Ze Lu等人 [9] 提出一种用于面部识别任务的色彩空间框架,提出色彩空间LuC1C2其通过比较RGB系数的颜色传感器属性选择Lu亮度分量,通过RGB颜色空间的色度子空间和协方差分析来确定C1C2颜色分量的变换向量的方向。在AR、Georgia Tech、FRGC和LFW人脸图像数据库上实验,确定了色彩空间LuC1C2具有更好的人脸识别性能。并且通过将LFW和FRGC数据库上提取的LuC1C2颜色空间中的CNN特征与简单的原始像素特征相结合,显著提高面部验证性能。
2014年,Mehdi Mirza等人提出了Conditional GAN [27],论文中提出的模型不仅仅需要较高的逼真度而且需要在一定的条件约束下完成,由于其增加了条件约束,因此生成器和判别器的设计会发生较大的改变。通过根据附加信息对模型框架进行调整,可以用于指导数据的生成过程,这种根据条件生成数据的方式对于数据增强非常有效,研究人员在原始图像上可以根据不同的需求条件生成增量数据,并将增量数据应用到下游的神经网络模型中。Conditional GAN的结构如图5所示。