يحقق التعرف على الوجه نجاحًا استثنائيًا بفضل ظهور التعلم العميق. ومع ذلك، لا تزال العديد من نماذج التعرف على الوجه المعاصرة تؤدي بشكل نسبي ضعيف في معالجة الوجوه الجانبية مقارنة بالوجوه الأمامية. السبب الرئيسي هو أن عدد العينات التدريبية للوجوه الأمامية والجانبية غير متوازن للغاية - هناك عينات تدريبية أمامية أكثر بكثير مقارنة بالجانبية. بالإضافة إلى ذلك، فإن تعلم تمثيل عميق يكون صعبًا بطبيعته عندما يتعلق الأمر بالتغيرات الهندسية الكبيرة في الزاوية. في هذه الدراسة، نفترض وجود خريطة طبيعية بين الوجوه الأمامية والجانبية، وبالتالي يمكن جسر الفجوة بينهما في فضاء التمثيل العميق من خلال خريطة متكافئة. لاستغلال هذه الخريطة، قمنا بصياغة كتلة جديدة للخريطة المتكافئة المتبقية العميقة (DREAM)، والتي يمكنها إضافة بقايا بشكل متكيف إلى التمثيل العميق المدخل لتحويل تمثيل الوجه الجانبي إلى وضع قياسي يبسط عملية التعرف. يعزز كتلة DREAM أداء التعرف على الوجه الجانبي بشكل مستمر للكثير من الشبكات العميقة القوية، بما في ذلك نماذج ResNet، دون زيادة متعمدة للبيانات التدريبية للوجوه الجانبية. الكتلة سهلة الاستخدام، خفيفة الوزن ويمكن تنفيذها مع تكلفة حسابية قليلة تقريبًا.