Anwendungen der Gesichtserkennung in der Praxis bestehen aus zwei Hauptschritten: Gesichtserkennung und Merkmalsextraktion. In einer rein visionären Lösung erzeugt der erste Schritt durch die Aufnahme eines Kamera-Streams mehrere Erkennungen für eine einzelne Identität. Ein praktischer Ansatz für Edge-Geräte sollte diese Identitäts-Erkennungen nach ihrer Konformität zur Erkennung priorisieren. Aus dieser Perspektive schlagen wir eine Regressionsmethode zur Bestimmung der Gesichtsqualität vor, indem wir einfach eine Schicht zu einem Netzwerk für die Detektion von Gesichtspunkten hinzufügen. Mit fast keiner zusätzlichen Kosten werden Gesichtsqualitätsbewertungen durch das Training dieser einzelnen Schicht unter Verwendung von Überwachungsähnlichen Verstärkungen (surveillance like augmentations) erzielt. Wir haben den vorgeschlagenen Ansatz auf Edge-GPUs implementiert, einschließlich aller Schritte des Gesichtserkennungs-Pipelines, wie Detektion, Tracking und Ausrichtung. Umfassende Experimente zeigen die Effizienz des vorgeschlagenen Ansatzes durch Vergleiche mit den besten aktuellen (SOTA) Modellen zur Gesichtsqualitätsregression auf verschiedenen Datensätzen und in realen Szenarien.