Kürzlich hat eine beliebte Forschungsrichtung im Bereich der Gesichtserkennung die Einführung von Margen in die etablierte Softmax-Funktion zur Maximierung der Klassentrennung übernommen. In dieser Arbeit führen wir zunächst den Additiven Winkel-Marginalverlust (ArcFace) ein, der nicht nur eine klare geometrische Interpretation besitzt, sondern auch die Diskriminanzkraft erheblich steigert. Da ArcFace anfällig für massiven Label-Rausch ist, schlagen wir das sub-center ArcFace vor, bei dem jede Klasse $K$K Unterzentren enthält und Trainingsbeispiele nur zu einem der $K$K positiven Unterzentren nahe liegen müssen. Sub-center ArcFace fördert eine dominante Unterklasse, die die Mehrheit der sauberen Gesichter umfasst, sowie nicht-dominante Unterklassen, die schwierige oder verrauschte Gesichter enthalten. Auf Basis dieser selbstgetriebenen Isolierung verbessern wir die Leistung durch automatische Reinigung roher Web-Gesichter unter massivem realweltlichen Rausch. Neben diskriminativen Merkmalsdarstellungen untersuchen wir auch das inverse Problem, nämlich das Abbilden von Merkmalsvektoren auf Gesichtsbilder. Ohne zusätzliche Generatoren oder Diskriminatoren zu trainieren, kann das vortrainierte ArcFace-Modell Identitäts-bewahrende Gesichtsbilder sowohl für Personen innerhalb als auch außerhalb der Trainingsdaten durch Verwendung des Netzwerkgradienten und Batch-Normalisierung (BN)-Vorwissen generieren. Umfangreiche Experimente zeigen, dass ArcFace sowohl die diskriminative Merkmalsdarstellung verbessern als auch die generative Gesichtssynthese stärken kann.