对两个监控质量数据集（SCface和UCCSface）进行评估，我们认为这两个监控质量数据集都更具挑战性，更接近实际情况。
SCface：我们使用的Scface数据集子集中的130个主体中的每一个都具有一个由高清摄像机拍摄的高分辨率人脸图像和几个LR面部图像，这五个人脸图像由五个可见光相机拍摄，放置在三个不同的距离（1米， 2.6米和4.2米）。所以每个人总共有1张HR面部图像和15张监视质量图像，总共有2080张面孔。我们用[58]中定义的两种不同的方案进行两组实验。我们将训练集和测试集分为80个和50个主题，以主题不相交的方式分开。对于实验1，我们使用HR图像作为图像图像，以及在三个支架上捕获的图像作为探针图像。在实验2中，我们选择1米距离的人脸图像作为探针图像，将2.6米和4.2米的距离作为图像和图像。其他设置与实验1完全相同。所有HR和LR图像的大小都调整为64x64，以便展示给网络进行..和测试。我们使用余弦距离来评估匹配得分的匹配，并且在II中报告等级1的比率。与同一协议下的最新技术相比，我们在实验1中实现了近1％的1级比率，而实验2中实现了9％的比例。当图库和探针图像具有较大的分辨率级别差异时，我们模型的特征良率更高。当探头图像的尺寸从1m对峙变为4.2m对峙时，其他方法的性能迅速下降，同时采用我们模型的特征产量。
UCCSface：UCCSface是另一个数据集，旨在接近真实的监视设置。我们遵循[53]和[43]中提供的实验设置，并评估闭合和开放情景。对于闭环评估，使用180个科目并进行开放式评估，我们将结果与[4]中报告的性能进行比较3]，开放程度为14.11％。 在观察封闭评估的结果时，我们的方法在一级准确性上超过UCCS基准约20％，并且在相同的训练和评估协议下，一级速率的DNN方法也优于近35％。 对于开放式评估，与UCCS面对基线结果相比，我们实现了73.6％的准确性。
人工智能深度学习实现基于对抗的公共摄像头低分辨率人脸识别结论：在本文中，我们提供了几个新的贡献。首先，我们说明当使用最先进的超分辨率算法时，LR无约束人脸与LR约束人脸识别之间的性能差距。其次，定义了两种基于LR人脸识别的重要应用场景：野外无约束LR人脸识别和LR人脸重识别。对于一般的低分辨率人脸识别，利用一种新颖的方法来处理由于探头和画廊中的人脸图像的质量差异导致的多维失配。我们还设计了不同的深层网络来解决人员重新识别问题，与我们以前的工作相比表现出更好的性能[23,25]。我们利用一种使用DCGAN预训练的新策略来获得网络的学习可视化和改善大规模数据集上的结果。我们展示了对选定数据集的大量实验的结果，并发现由尺寸不匹配引起的匹配不兼容特征是最具挑战性的一点，特别是在低分辨率人脸识别任务中。结果表明，我们提出的方法针对不同的任务，有效地工作，并产生令人印象深刻的性能。
