顔画像の品質は、高性能な顔認識システムを実現する上で重要な要因です。顔品質評価の目的は、顔画像が認識に適しているかどうかを推定することです。従来の研究では、人工的にまたは人間によってラベリングされた品質値を必要とする監督的な手法が提案されてきました。しかし、これらのラベリングメカニズムは明確な品質定義に基づいておらず、利用される顔認識システムにとって最良の特性を知ることができないため、誤りが生じやすいという問題があります。このような不正確な品質ラベルの使用を避けるために、我々は任意の顔認識モデルに基づく新しい概念を提案しました。この方法では、顔モデルのランダムサブネットワークから生成される埋め込み変動を決定することで、サンプル表現の堅牢性およびその品質を推定します。実験は3つの公開データベースを使用したクロスデータベース評価設定で行われました。我々は提案手法を2つの異なる顔埋め込みに対して6つの最先端アプローチ（学術界と産業界からの）と比較しました。結果は、調査された大半のシナリオにおいて我々の非監督的手法が他のすべてのアプローチを上回っていることを示しています。従来の研究とは異なり、提案手法はすべてのシナリオで安定した性能を発揮しました。我々の顔品質評価手法では、利用する顔認識モデル自体を使用することで完全にトレーニングフェーズを省略でき、さらにすべての基準アプローチに対して大幅に性能が向上します。本手法は既存の顔認識システムに容易に統合でき、また顔認識以外の他のタスクにも適用できるように修正することができます。