FunFace：面向人脸识别的特征效用与规范估计
计算机视觉与模式识别
2026-04-30 v1
摘要
人脸识别 (FR) 被广泛应用于娱乐、金融、安防和监控等多个应用领域。这些应用依赖 FR 模型在各种场景下保持稳健且表现良好。为实现此目标，前沿 FR 模型通常采用富有表达力的自适应边际损失函数，将特征范数与样本质量相关概念（如可识别性和感知图像质量）相联系。最近，通过面向人脸图像质量评估 (FIQA) 技术的发展，生物识别效用已成为人脸图像质量的首选衡量标准，已被证明比更关注一般图像质量（如分辨率、模糊和光照）的措施更能预测样本在人脸识别中的有用性。虽然通过特征范数表达的图像质量在生物识别效用方面存在一定相关性，但并未完全囊括效用的全部方面。为此，我们提出一种新型自适应边际损失 FunFace（Face Recognition Through Utility and Norm Estimation），将由 Certainty Ratio 估计的生物识别效用纳入自适应边际中，并借鉴 AdaFace 的思想。我们表明 FunFace 可在包含高质量样本的基准测试中实现与其他前沿 FR 模型相当的性能，而在低质量基准测试中则超越其它模型。
引用
@article{arxiv.2604.26598,
title = {FunFace: Feature Utility and Norm Estimation for Face Recognition},
author = {Žiga Babnik and Fadi Boutros and Naser Damer and Deepak Kumar Jain and Peter Peer and Vitomir Štruc},
journal= {arXiv preprint arXiv:2604.26598},
year = {2026}
}