Als ein aufkommendes Thema in der Gesichtserkennung ermöglichen marginbasierte Verlustfunktionen eine Vergrößerung der Merkmalslücke zwischen verschiedenen Klassen und somit eine verbesserte Unterscheidbarkeit. In jüngster Zeit werden ansatzbasierte Strategien eingesetzt, um die Aufmerksamkeit auf falsch klassifizierte Beispiele zu lenken, was vielversprechende Ergebnisse erzielt hat. Dennoch führen herkömmliche Ansätze im Verlauf des gesamten Trainings entweder nicht explizit auf die Bedeutung einzelner Beispiele ab, wodurch schwierige Beispiele nicht vollständig ausgenutzt werden; oder sie betonen bereits in frühen Trainingsphasen explizit die Auswirkungen semi-schwerer oder schwerer Beispiele, was zu Konvergenzproblemen führen kann. In dieser Arbeit stellen wir eine neuartige adaptive Curriculum-Learning-Verlustfunktion (CurricularFace) vor, die das Konzept des Curriculum Learning in die Verlustfunktion integriert und somit eine innovative Trainingsstrategie für tiefere Gesichtserkennungssysteme ermöglicht. Diese Strategie konzentriert sich ursprünglich auf einfache Beispiele in frühen Trainingsphasen und wechselt später auf schwierige Beispiele. Konkret passt unsere CurricularFace die relative Bedeutung einfacher und schwieriger Beispiele adaptiv während unterschiedlicher Trainingsphasen an. In jeder Phase werden den Beispielen unterschiedliche Gewichtungen entsprechend ihrer jeweiligen Schwierigkeitsgrade zugewiesen. Umfangreiche Experimente auf etablierten Benchmark-Datensätzen belegen die Überlegenheit unserer CurricularFace gegenüber den aktuellen State-of-the-Art-Methoden.