توافر قواعد بيانات وجوه حقيقية على نطاق واسع كان له دور حاسم في التقدم الكبير الذي أحرزته أبحاث التعرف على الوجه خلال العقد الماضي. ومع ذلك، أدت المخاوف القانونية والأخلاقية إلى سحب العديد من هذه القواعد البيانات مؤخرًا من قبل مُنشئيها، مما أثار تساؤلات حول استمرارية الأبحاث المستقبلية للتعرف على الوجه دون أحد مواردها الأساسية. ظهرت قواعد البيانات الصناعية كبديل واعد للبيانات الحقيقية التي تتعلق بالخصوصية في تطوير التعرف على الوجه. ومع ذلك، تعاني القواعد البيانات الصناعية الحديثة المستخدمة لتدريب نماذج التعرف على الوجه إما من قيود في التنوع داخل الفئة أو تمييز بين الفئات (الهوية)، مما يؤدي إلى دقة أقل بكثير عن النماذج المدربة على البيانات الحقيقية.يهدف هذا البحث إلى معالجة هذه المشكلة من خلال اقتراح IDiff-Face، وهي طريقة جديدة تستند إلى نماذج الانبعاث الكامنة المشروطة لتوليد هويات صناعية ذات تباينات هوية واقعية لتدريب التعرف على الوجه. من خلال تقييمات شاملة، نجحت طريقة التعرف على الوجه المستندة إلى البيانات الصناعية المقترحة لدينا في دفع حدود الأداء المتقدم حاليًا، حيث حققت دقة 98.00٪ في معيار Labeled Faces in the Wild (LFW)، متقدمة بشكل كبير عن الحلول الحديثة للتعرف على الوجه المستندة إلى البيانات الصناعية والتي حققت 95.40٪، وأقل فجوة بالنسبة للأداء المستند إلى البيانات الحقيقية والذي حقق 99.82٪ من الدقة.