近期，人脸识别领域的热门研究方向之一是在广泛使用的softmax损失函数中引入边界（margins），以最大化类间可分性。本文首先介绍了一种加性角度边界损失（Additive Angular Margin Loss，简称ArcFace），该方法不仅具有明确的几何解释，而且显著增强了模型的判别能力。由于ArcFace对大量标签噪声较为敏感，我们进一步提出了子中心ArcFace，在该方法中每个类别包含$K$K个子中心，训练样本只需接近任意一个正类子中心即可。子中心ArcFace鼓励形成一个主要的子类别，其中包含大多数干净的人脸图像，同时非主要子类别则包括困难或带有噪声的人脸图像。基于这种自我驱动的隔离机制，我们通过自动净化大量现实世界中的噪声人脸图像来提升性能。除了探索判别特征嵌入外，我们还研究了逆问题，即将特征向量映射回人脸图像。无需额外训练生成器或判别器，预训练的ArcFace模型仅利用网络梯度和批归一化（Batch Normalization, BN）先验即可为训练数据内外的主题生成身份保留的人脸图像。大量的实验表明，ArcFace不仅能增强判别特征嵌入的能力，还能加强生成人脸合成的效果。