摘要

人脸识别系统需应对大量变异性因素（如不同姿态、光照条件和表情变化），这些因素可能导致错误的匹配判断。这些变异性可从人脸图像质量的角度进行衡量，图像质量定义为样本在识别任务中的可用性。以往的人脸识别研究或未充分利用这一有价值的信息，或采用非内在适配的质量估计方法。本文提出一种简单而高效的人脸识别方案（QMagFace），该方案将感知质量的比对得分与基于幅度感知角度间隔损失（magnitude-aware angular margin loss）的识别模型相结合。所提方法在比对过程中引入了与模型相关的图像质量信息，从而在非受限条件下显著提升识别性能。得益于所采用损失函数所诱导的质量与比对得分之间的线性关系，我们的质量感知比对函数结构简洁且具备高度泛化能力。在多个主流人脸数据库与基准测试上的实验结果表明，引入质量感知机制可带来稳定且一致的性能提升。尤其在具有挑战性的场景下，如跨姿态、跨年龄或跨质量条件下，QMagFace表现尤为突出。由此，该方法在多个主流人脸识别基准上取得了当前最优（state-of-the-art）的性能表现，例如在AgeDB上达到98.50%，在XQLFQ上达到83.95%，在CFP-FP上达到98.74%。QMagFace的代码已公开发布，可供学术与工业界使用。