التعرف على الوجوه في مجموعات بيانات ذات جودة منخفضة يُعد تحديًا، نظرًا لتدهور وتشويه السمات الوجهية. ساهمت التطورات في دوال الخسارة القائمة على الهامش في تحسين تمييز الوجوه داخل فضاء التضمين. علاوةً على ذلك، درست دراسات سابقة تأثير دوال الخسارة التكيفية في إعطاء أهمية أكبر للعينات التي تم تصنيفها بشكل خاطئ (الصعبة). في هذا العمل، نقدم جانبًا آخر من التكيف في دالة الخسارة، وهو جودة الصورة. نحن نجادل بأن الاستراتيجية التي تُركّز على العينات التي تم تصنيفها بشكل خاطئ يجب أن تُعدّل وفقًا لجودة الصورة. وبشكل محدد، يجب أن تستند الأهمية النسبية للعينات السهلة أو الصعبة إلى جودة صورة العينة نفسها. نقترح دالة خسارة جديدة تُركّز على العينات ذات صعوبات مختلفة بناءً على جودة صورها. تحقّق طريقةنا ذلك من خلال دالة هامش تكيفية، وذلك بمحاكاة جودة الصورة باستخدام معايير الميزات (feature norms). أظهرت التجارب الواسعة أن طريقة "AdaFace" تُحسّن أداء التعرف على الوجوه مقارنة بالحالة المتطورة (SoTA) على أربع مجموعات بيانات (IJB-B، IJB-C، IJB-S، وTinyFace). تم إصدار الشيفرة النصية والنموذج عبر الرابط: https://github.com/mk-minchul/AdaFace.