QCFace：用于提升面部表示与识别的图像质量控制

可识别性是人类面脸处理中关键的感知因素，严重影响面脸识别 (FR) 系统在验证和识别任务中的性能。有效利用可识别性来增强特征表示仍富有挑战性。在深度 FR 中，损失函数在塑造特征如何嵌入方面起关键作用。然而，当前方法存在两个主要缺点：(i) 可识别性仅通过软边缘约束部分捕获，导致质量表示较弱和判别性较低，尤其是针对低质量或模糊人脸；(ii) 特征方向和幅度之间的相互重叠梯度引入了不希望的交互作用 during optimization，导致在超球体规划中不稳定和混淆，可能导致泛化性能差和表示被 entangled，其中可识别性和身份不够干净地分离。为解决这些问题，我们引入一种硬边缘策略 -质量控制面脸 (QCFace)，该方法克服了相互重叠梯度问题，使可识别性与身份表示实现清晰分离。基于此策略，开发了一种基于硬边缘的损失函数，采用引导因子进行超球体规划，同时优化识别能力和显式可识别性表示。广泛实验确认，QCFace 不仅提供稳健且可量化的可识别性编码，而且在验证和识别基准测试中实现了领先于现有可识别性损失函数的性能。