تتبع نماذج التعرف على الوجه المستندة إلى التعلم العميق الاتجاه الشائع في شبكات العصبونات العميقة من خلال استخدام شبكات النقطة العشرية الكاملة ذات التكاليف الحسابية العالية. غالباً ما يكون تنفيذ مثل هذه الشبكات في الحالات التي تقتصر فيها المتطلبات الحسابية غير عملي بسبب الذاكرة الكبيرة المطلوبة من قبل نموذج النقطة العشرية الكاملة. قدمت الطرق المضغوطة السابقة للتعرف على الوجه اقتراحات لتصميم هياكل خاصة مضغوطة وتدريبها من الصفر باستخدام بيانات التدريب الحقيقية، والتي قد لا تكون متاحة في السيناريوهات الواقعية بسبب مخاوف الخصوصية. في هذا العمل، نقدم حل QuantFace المستند إلى كممنة نماذج ذات صيغة دقة منخفضة. يقلل QuantFace من التكاليف الحسابية المطلوبة للنماذج الموجودة للتعرف على الوجه دون الحاجة إلى تصميم هيكل خاص أو الوصول إلى بيانات التدريب الحقيقية. يُدخل QuantFace بيانات وجه مصنعة ودية للخصوصية إلى عملية الكممنة لتخفيف المخاوف والقضايا المتعلقة بالوصول إلى بيانات التدريب الحقيقية. من خلال تجارب تقييم شاملة أجريت على سبع مقاييس وأربع هياكل شبكة، نثبت أن QuantFace يمكنه تقليل حجم النموذج بمقدار يصل إلى 5 مرات مع المحافظة، بدرجة كبيرة، على أداء التحقق من الهوية لنموذج النقطة العشرية الكاملة دون الوصول إلى قواعد البيانات الحقيقية للتدريب.