训练集的质量和规模对基于深度学习的人脸任务结果产生重大影响。但是，收集和标记具有高质量和均衡分布的充足样本依然是一项辛苦且成本高昂的工作，所以各种数据增强方法被广泛用于丰富训练集。在论文《A Survey on Face Data Augmentation》中，作者分别从转换类型和方法两个角度系统回顾了现有的人脸数据增强工作以及当前最佳的方法。在所有这些方法当中，作者重点介绍了基于深度学习的工作，特别是近年来被认为是更强大和更有效的生成对抗网络（GAN）工具。作者介绍了这些方法的原理，探讨了相关结果，并展示了它们的应用和局限性。此外，作者介绍了用于评估这些方法的不同评价指标，指出了人脸数据增强领域的挑战和机遇，进行了简短但深刻的讨论。