Die Leistung von Gesichtserkennungssystemen verschlechtert sich, wenn die Variabilität der erfassten Gesichter zunimmt. Frühere Arbeiten haben dieses Problem durch die Überwachung der Gesichtsqualität in der Vorverarbeitung oder durch die Vorhersage der Datunsicherheit zusammen mit den Gesichtseigenschaften gelindert. In dieser Arbeit wird MagFace vorgeschlagen, eine Kategorie von Verlustfunktionen, die ein universelles Merkmals-Embedding lernen können, dessen Betrag die Qualität des gegebenen Gesichts misst. Unter der neuen Verlustfunktion kann bewiesen werden, dass der Betrag des Merkmals-Embeddings monoton zunimmt, wenn das Objekt wahrscheinlicher erkannt wird. Zudem führt MagFace einen adaptiven Mechanismus ein, um strukturierte innerklassische Merkmalsverteilungen zu lernen, indem es einfache Beispiele zu den Klassenmittelpunkten zieht und schwierige Beispiele wegschiebt. Dies verhindert, dass Modelle überanpassen (overfitting) auf verrauschte, niedriger Qualitäts Samples und verbessert die Gesichtserkennung in realen Szenarien. Umfangreiche Experimente zur Gesichtserkennung, Qualitätsbewertung sowie Clustering zeigen seine Überlegenheit gegenüber dem aktuellen Stand der Technik (state-of-the-art). Der Code ist unter https://github.com/IrvingMeng/MagFace verfügbar.