如今面对深度学习问题时,选择合适的训练数据比选择适合的模型具有更大的挑战.在诸如人脸识别门禁系统、移动支付安全、人群体温监测等计算机视觉人脸任务的应用中,这一挑战更为严峻.人脸数据集的质量和规模,在很大程度上决定着模型的性能表现与应用稳定性.然而,现实中人工收集充足的高质量标注人脸数据集不仅成本高昂,还会受到隐私伦理的制约.因此,如何自动化获取大规模仿真人脸数据有着重要的研究价值.近年关于数据增广技术的研究中,对纹理较为简单的物体生成上已经可以呈现出仿真的生成效果.但是,受人面部细粒度纹理等属性特征的影响,人脸数据的生成质量尚不理想,面向视觉任务的仿真人脸生成难度更甚.针对这一难题,本文重点研究面向任务的仿真人脸数据增广方法,主要工作如下:1.针对人脸数据集中时序结构不完整造成的数据集偏差问题,本文基于面部时序特征一致性提出了年龄-人脸生成方法.该方法设计了一种正则化图对比学习,依据少量有年龄标签样本推断老化规律并传递给大量的无标签样本,最后连接年龄估计模块构成了从生成到检测的端到端半监督框架.实验结果表明,该方法能够有效生成大量标注年龄的仿真人脸数据,平衡数据集偏差从而显著提高模型公平性.2.针对人脸数据集中大姿态、遮挡等多样性数据的匮乏问题,本文基于面部空间结构不变性提出了姿态-人脸生成方法.所提方法通过关键点结构类内不变性和身份类内不变性构成的耦合损失函数,解耦关键点属性和身份外貌属性,并结合关键点检测任务得到了自监督多姿态仿真人脸生成模型.实验结果表明,所提方法实现了精准人脸关键点标注数据的高效生成,同时可以提高人脸关键点检测任务的性能.