ElasticFace：用于深度人脸识别的弹性边界损失

学习具有判别性的面部特征在构建高性能人脸识别模型中起着关键作用。近年来，最先进的面部识别方法普遍在标准化超球面上对常用的分类损失函数——Softmax损失——引入固定惩罚边界（margin），以增强模型的判别能力，其核心思想是减小类内差异、增大类间差异。诸如ArcFace和CosFace等边际惩罚Softmax损失方法，假设不同身份之间的测地距离（geodesic distance）及其类内距离均可通过固定的惩罚边界实现一致学习。然而，在真实数据中，类间与类内差异往往存在显著不一致性，这种固定边界的假设并不符合实际，可能限制了人脸识别模型的判别性能与泛化能力。本文提出了一种弹性惩罚边界损失（ElasticFace），通过放松固定惩罚边界的约束，赋予模型在类别可分性学习中更大的灵活性。其核心思想在于：在每次训练迭代中，从正态分布中随机采样边界值，动态调整惩罚边界。这一机制使决策边界具备“可扩展、可收缩”的能力，从而为类别间分离提供更灵活的学习空间。我们在大量主流基准数据集上，采用相同的几何变换策略，验证了ElasticFace相较于ArcFace和CosFace在性能上的优越性。从更广泛的角度看，ElasticFace在九个主流基准中的七个上达到了新的最先进水平，显著推动了人脸识别技术的发展。