针对人脸编辑存在的编辑结果不自然、生成图像变化较大等问题，提出了一种有闭解的可控人脸编辑算法。首先，随机采样 n 个潜在向量来构造样本矩阵，并计算出该矩阵的前 k 个主成分向量；然后，利用ResNet-50得到人脸图像的5个属性，并通过支持向量机（SVM）计算出各属性的语义边界；最后，计算这些属性的可解释方向向量，这些向量在尽量靠近主成分向量的同时也尽量远离对应属性的语义边界，从而减小人脸属性之间的耦合性，并提高编辑过程中的可控性。该算法具有闭解，因此效率较高。实验结果表明，所提算法和语义的闭式分解（SeFa）算法和可解释的生成对抗网络控制（GANSpace）算法相比，在初始分数（IS）上分别增加了19%和26%，在弗雷歇距离（FID）上分别减小了4%和37%，在最大平均差异（MMD）上分别减小了15%和48%。可见，该算法具有较好的可控性和解耦性。

随着计算密集和时延敏感类应用的激增，移动边缘计算（MEC）被提出应用在网络边缘为用户提供计算服务。针对基站（BS）端边缘服务器计算资源有限以及网络边缘用户远距离计算卸载的时延较长等问题，提出了基于终端直通（D2D）通信的多用户计算卸载资源优化决策，将D2D融入MEC网络使用户以D2D方式直接卸载任务到相邻用户处执行，从而能够进一步降低卸载时延和能耗。首先，以最小化包括时延和能耗的系统计算总开销为优化目标，建模多用户计算卸载和多用户计算资源分配的联合优化问题；然后，将求解该问题看作是一个D2D配对过程，并提出基于稳定匹配的低复杂度的多用户计算卸载资源优化决策算法；最后，迭代求解D2D卸载的优化分配决策。通过理论证明分析了所提算法的稳定性、最优性和复杂度等特性。仿真结果表明，所提算法相较于随机匹配算法能够有效降低10%~33%的系统计算总开销，并且其性能非常接近最优的穷举搜索算法。可见，所提基于D2D卸载的决策有利于改善时延和能耗开销性能。

如何高效地辨别各种被攻击的人脸是人脸识别过程中迫切需要解决的问题。基于深度学习的人脸反欺骗方法在有着高性能的同时，也带来了庞大的参数量和计算量，使其无法部署在移动或嵌入式设备中。针对以上问题，提出了一种基于区域分块和轻量级网络的人脸反欺骗方法。首先，对训练样本进行随机区域分块；然后，设计了一种基于注意力机制的轻量级网络用于特征提取和图像分类；最后，为了提高测试准确率，对测试样本进行基于区域分块的数据扩增。实验结果表明，所提模型在CASIA-FASD和REPLAY-ATTACK数据集上达到了100%的准确率；在CASIA-SURF数据集的Depth模态上获得了99.49%的准确率和0.458 0%的平均分类错误率（ACER），远优于ResNet、ShuffleNet等卷积神经网络，且该模型的参数量也仅有0.258 2 MB。在实际应用中，端到端的轻量级网络结构使所提模型更方便部署在移动设备上来进行实时的人脸反欺骗检测。