摘要
当获取的人脸图像的变异性增加时，人脸识别系统的性能会下降。以往的研究通过在预处理阶段监控人脸质量或在预测人脸特征的同时估计数据不确定性来缓解这一问题。本文提出了一种名为MagFace的新损失函数类别，该损失函数可以学习一种通用的特征嵌入，其幅度能够衡量给定人脸的质量。在新的损失函数下，可以证明如果识别对象更容易被识别，则特征嵌入的幅度将单调增加。此外，MagFace引入了一种自适应机制，通过将简单样本拉向类中心而将困难样本推开，从而学习到结构良好的类内特征分布。这防止了模型对噪声低质量样本的过拟合，并提高了实际场景中的人脸识别性能。大量实验表明，在人脸识别、质量评估以及聚类任务中，MagFace优于现有的最先进方法。代码可在 https://github.com/IrvingMeng/MagFace 获取。