본 논문은 집합 간 인식 문제를 다루며, 이는 두 이미지 집합 사이의 거리를 학습하는 것을 목표로 합니다. 각 집합 내의 이미지는 동일한 정체성을 갖습니다. 한 집합 내의 이미지들이 보완적일 수 있으므로, 실용적인 응용에서 더 높은 정확도를 기대할 수 있습니다. 그러나 각 샘플의 품질을 보장할 수 없으며, 품질이 낮은 샘플들은 거리 측정에 부정적인 영향을 미칠 수 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 품질 인식 네트워크(Quality Aware Network, QAN)를 제안합니다. 이 네트워크는 각 샘플의 품질 정보가 명시적으로 제공되지 않더라도 자동으로 학습할 수 있도록 설계되었습니다. 네트워크는 두 개의 분기로 구성되며, 첫 번째 분기는 각 샘플의 외관 특징 임베딩을 추출하고, 다른 분기는 각 샘플의 품질 점수를 예측합니다. 한 집합 내 모든 샘플들의 특징과 품질 점수는 최종적으로 하나의 특징 임베딩을 생성하기 위해 통합됩니다. 우리는 단지 집합 단위 정체성 주석만 주어진 상태에서 두 분기가 엔드투엔드 방식으로 학습될 수 있음을 보여줍니다. 이 메커니즘의 그래디언트 전파 분석 결과, 네트워크가 학습한 품질 정보가 집합 간 인식에 유익하며, 네트워크가 적합해야 하는 분포를 단순화한다는 것을 확인할 수 있었습니다. 얼굴 검증과 사람 재식별 실험 결과, 제안된 QAN의 우월성이 입증되었습니다. 소스 코드와 네트워크 구조는 https://github.com/sciencefans/Quality-Aware-Network에서 다운로드할 수 있습니다.