La résolution d’image, ou plus généralement la qualité d’image, joue un rôle essentiel dans les performances des systèmes actuels de reconnaissance faciale. Pour répondre à ce défi, nous proposons une nouvelle combinaison de la perte triplet, visant à améliorer la robustesse face à la résolution d’image grâce au fine-tuning des modèles existants de reconnaissance faciale. Grâce à la perte octuplet, nous exploitons conjointement les relations entre les images haute résolution et leurs variantes synthétiquement réduites, ainsi que leurs étiquettes d’identité. Le fine-tuning de plusieurs approches de pointe avec notre méthode démontre que nous pouvons significativement améliorer les performances de la vérification faciale à résolution croisée (de haute à basse résolution) sur divers jeux de données, sans dégrader de manière notable les performances sur les paires d’images haute résolution. L’application de notre méthode au réseau FaceTransformer atteint une précision de 95,12 % sur le jeu de données exigeant XQLFW, tout en atteignant 99,73 % sur la base LFW. En outre, la précision de la vérification faciale basse résolution contre basse résolution bénéficie également de notre approche. Nous mettons à disposition notre code afin de permettre une intégration fluide de la perte octuplet dans les cadres existants.