此外，面部扫描也被用于识别可能的遗传疾病，例如威廉氏症候群（见注释），这是一种与与心脏问题相关的病症。更好的人脸模型及其变化特征数据可以提高这种测试的精度。Ponniah 表示，新模型“打开了好几个更多的门”。

　　注释：威廉氏症候群，一种罕见的神经发育异常，患者鼻根较低，拥有像小精灵的外观，且脸部特征随年龄增长而更加明显。大部分病人智能不足但语言能力较正常人好，行为举止异常兴奋且不怕生。症状还包括心血管疾病如主动脉瓣上狭窄与高血钙，此病在描述尚不完全时曾被部分医师称为自发性婴儿高血钙（idiopathic infantile hypercalcemia）。

　　论文：使用全卷积网络还原“in-the-wild”人脸

　　摘要

　　本研究中，我们提出了一种数据驱动型的方法，解决如何从一张单独的浓缩照片中预测整个一般平面，特别聚焦于人脸。论文创造了一种新的方法，探索将可用的人脸数据集用于数据库建设的可行性。研究者特意设计了一个深度卷积神经网络来评估人脸“in-the-wild”状态下的正常表面。还训练了一个全卷积的网络，能够精确地从多样化的表情的图片中还原正常表情。我们比较最先进的 Shape-from-Shading 和 3D 重建技术，结果表明我们提出的网络可以大幅度恢复更正确和逼真的人脸。而且，相比其他现有的面部特异性表面恢复方法，atv， 由于我们网络的完全卷积性质，我们不需要解决明确的对齐问题。

　　使用 Helen 数据集，对人脸正常估计和表面重建示例。最左边的是作者提出的，后面两个依次是 IMM（注释：由丹麦技术大学创建的人脸库，包含了 240 张不同姿态、表情、光照的人脸图像）和 Marr Revisited。

　　部分表面重建示例。这些都是从由 300W 人脸数据集 “in-the-wild” 生成的。上图展示了作者提出的网络能广泛适用于多种不同人脸和表情。最左边是 300W 数据集的原始图像。中间一列是 3D形状重建，右边一列是将图像中采样到的纹理转换为形状。来源：Trigeorgis G.et al., Face Normals “in-the-wild” using Fully Convolutional Networks

　　未来研究及计划

　　研究者接下来的计划是在模型中加入面部表情相关的数据，这样无论是嘲笑还是哭泣，任何形式的人脸模型都能识别。Zafeiriou 表示，他们现在正回到博物馆，扫描更多的游客的人脸信息。