1. 人脸检测
目标：图里有没有脸、脸在哪里。
常见输出：bbox 人脸框（x, y, w, h）、score 检测置信度，有些模型还顺带输出 5 点关键点（双眼、鼻尖、嘴角）。
关心的参数：人脸框位置、大小、置信度、最多检测几张脸、最小可检测人脸尺寸。
适用场景：从整张图中框出脸，作为后续识别/评分/对齐的前置步骤。
2. 人脸关键点 / Landmark
目标：找到五官或脸部轮廓的关键坐标。
常见输出：5 点 / 68 点 / 106 点 / 468 点。
关心的参数：每个点的 (x, y) 坐标、点数多少、坐标稳定性、遮挡情况下是否还能回归、点位精度。
适用场景：五官定位、对齐、姿态分析、自拍质量评分、遮挡判断、脸部比例分析。
3. 人脸对齐
目标：把不同角度、不同位置的人脸，规范到统一坐标系。
输入：人脸框 + 关键点。
输出：裁剪并旋转后的标准脸图。
关心的参数：对齐后的尺寸（如 112x112）、双眼是否水平、鼻子/嘴巴是否落在预期区域、裁剪比例是否一致。
适用场景：给识别模型输入更稳定的人脸、给评分模型提供更一致的数据分布。
4. 人脸识别 / 人脸验证
目标：判断两张脸是不是同一个人，或在库里找最像的人。
常见输出：embedding 向量、相似度分数、最终是否同人。
关心的参数：
- embedding 维度（如 128/256/512）
- 相似度计算：cosine / L2 distance
- 阈值
- FAR（False Acceptance Rate，误识率）：错误地将非本人判断为本人的概率
- FRR（False Rejection Rate，拒真率）：错误地将本人判断为非本人的概率
- 不同角度、光照、表情下的稳定性
适用场景：本人验证、人脸检索、人脸去重、聚类。
5. 活体检测
目标：判断是不是活人（而非照片、视频、屏幕翻拍、面具）。
常见输出：活体分数、是否通过、攻击类型分类。
关心的参数：活体置信度、对照片/视频攻击的识别率、误杀率、是否需要用户配合动作。
适用场景：金融认证、实名场景、防攻击验证。
6. 人脸质量评估
目标：判断这张自拍是否合格、是否清晰、是否适合后续识别或审核。
常见输出：总分、多维分数、是否合格。
关心的参数：清晰度、模糊程度、光照、曝光过度/不足、遮挡、是否正脸、是否居中、人脸大小、构图、五官完整性、背景干扰。
适用场景：自拍审核、上传前质量拦截、识别前质量过滤。
通常依赖：bbox、landmark、姿态、图像质量特征，有时辅以 embedding。
7. 人脸属性分析
目标：识别人脸的属性标签。
常见输出：年龄段、性别、是否戴眼镜/口罩、是否微笑/闭眼/有胡子等。
关心的参数：每个属性的分类概率、多标签准确率、属性之间是否独立。
适用场景：内容理解、风控辅助、拍照引导。
8. 人脸分割 / 遮挡分析
目标：识别脸部区域，或分析哪些区域被遮挡。
常见输出：分割 mask、被遮挡部分标签、遮挡比例。
关心的参数：面部区域分割精度、遮挡区域定位精度、口罩/头发/手/墨镜遮挡识别能力。
适用场景：美颜、换脸、自拍质量控制、风控审核。
9. 人脸姿态估计
目标：判断头部朝向和角度。
常见输出：
yaw：左右转头pitch：抬头低头roll：左右歪头
关心的参数：三个角度值、是否接近正脸、姿态变化稳定性。
适用场景：自拍评分、活体动作检测、正脸筛选、对齐前判断。