Les performances d'un système de reconnaissance faciale se dégradent lorsque la variabilité des visages acquis augmente. Les travaux antérieurs atténuent ce problème soit en surveillant la qualité des visages lors du prétraitement, soit en prédiction de l'incertitude des données en même temps que les caractéristiques faciales. Cet article propose MagFace, une catégorie de fonctions de perte qui apprennent un plongement de caractéristiques universel dont la magnitude peut mesurer la qualité du visage donné. Sous cette nouvelle fonction de perte, il peut être démontré que la magnitude du plongement de caractéristiques augmente monotiquement si le sujet est plus susceptible d'être reconnu. De plus, MagFace introduit un mécanisme adaptatif pour apprendre des distributions de caractéristiques bien structurées au sein d'une classe en rapprochant les échantillons faciles des centres de classe tout en éloignant les échantillons difficiles. Ceci empêche les modèles de surapprendre sur des échantillons bruyants et de faible qualité, améliorant ainsi la reconnaissance faciale dans des conditions réelles. Des expériences approfondies menées sur la reconnaissance faciale, l'évaluation de la qualité et le regroupement montrent sa supériorité par rapport aux méthodes actuelles les plus avancées. Le code est disponible à l'adresse suivante : https://github.com/IrvingMeng/MagFace.