本論文は、セット間認識の問題に焦点を当てており、2つの画像セット間の距離計量を学習します。各セット内の画像は同一のアイデンティティに属しています。セット内の画像が互いに補完的な関係にあるため、実際の応用ではより高い精度が期待されます。しかし、各サンプルの品質は保証されず、品質の低いサンプルは距離計量に悪影響を与えます。本論文中では、この問題に対処するために品質認識ネットワーク（Quality Aware Network: QAN）が提案されています。このネットワークでは、訓練段階で明示的にこのような情報が提供されていない場合でも、各サンプルの品質を自動的に学習することができます。ネットワークには2つのブランチがあり、1つ目のブランチは各サンプルから外観特徴埋め込みを抽出し、もう1つのブランチは各サンプルの品質スコアを予測します。その後、セット内のすべてのサンプルの特徴と品質スコアが集約され、最終的な特徴埋め込みが生成されます。我々は、セットレベルでのアイデンティティ注釈のみを与えることで、2つのブランチをエンドツーエンドで訓練できることを示しています。このメカニズムにおける勾配伝播の分析結果から、ネットワークによって学習された品質がセット間認識にとって有益であり、ネットワークが必要とする分布を単純化することにつながることがわかりました。顔認証と人物再識別の両方での実験結果から、提案されたQANの優位性が示されています。ソースコードおよびネットワーク構造は https://github.com/sciencefans/Quality-Aware-Network からダウンロードできます。