顔認識システムの性能は、取得された顔の変動が増加すると低下します。従来の研究では、この問題を事前処理で顔の品質を監視するか、顔特徴量とともにデータの不確実性を予測することで軽減しようと試みています。本論文では、MagFaceという損失関数の一種を提案します。MagFaceは、特徴量埋め込みの大きさが与えられた顔の品質を測定できる普遍的な特徴量埋め込みを学習します。新しい損失関数のもとで、対象者が認識される可能性が高い場合、特徴量埋め込みの大きさが単調に増加することが証明できます。さらに、MagFaceは適応メカニズムを導入し、クラス中心に簡単なサンプルを引き寄せつつ困難なサンプルを遠ざけることで、クラス内の特徴量分布を良好に構造化する学習を行います。これにより、モデルが低品質なノイジーなサンプルに対して過学習することを防ぎ、実世界での顔認識性能が向上します。顔認識、品質評価およびクラスタリングに関する広範な実験結果から、MagFaceが最先端技術を超える優れた性能を持つことが示されています。コードは https://github.com/IrvingMeng/MagFace で公開されています。