Au cours de la dernière décennie, les algorithmes de reconnaissance faciale ont connu une évolution constante grâce à l’utilisation de méthodes avancées d’apprentissage automatique. La fonction de perte joue un rôle central dans la résolution des problèmes de vérification faciale, agissant même comme un levier de transformation. Ces fonctions de perte se sont principalement concentrées sur les variations intra-classe ou la séparation inter-classe. Cette recherche s’intéresse au phénomène naturel de symétrie faciale dans le cadre de la vérification faciale. La symétrie entre les hémifaces gauche et droit a été largement exploitée dans de nombreux domaines de recherche au cours des dernières décennies. Dans cet article, nous adoptons de manière judicieuse cette approche simple en divisant verticalement une image faciale en deux moitiés. En supposant que le phénomène naturel de symétrie faciale peut améliorer la méthodologie de vérification faciale, nous formulons l’hypothèse que les deux vecteurs d’embedding issus des moitiés divisées doivent se projeter proches l’un de l’autre dans l’espace d’embedding. Inspirés par cette idée, nous pénalisons le réseau en fonction de l’écart entre les embeddings des paires symétriques formées par les moitiés divisées. La perte symétrique a le potentiel de minimiser les petites asymétries dues aux expressions faciales ou aux conditions d’éclairage, augmentant ainsi significativement la variance inter-classe et conduisant à des embeddings faciaux plus fiables. Cette fonction de perte permet à tout réseau d’outrepasser ses performances de base sur toutes les architectures et configurations existantes, nous permettant d’atteindre des résultats de state-of-the-art (SoTA).