人脸识别（FR）的目标可以被视为一个配对相似度优化问题，即最大化正样本对的相似度集合 $\mathcal{S}^p$Sp，同时最小化负样本对的相似度集合 $\mathcal{S}^n$Sn。理想情况下，期望人脸识别模型能够形成一个具有良好区分性的特征空间（WDFS），满足条件 $\inf{\mathcal{S}^p} > \sup{\mathcal{S}^n}$infSp>supSn。关于 WDFS，现有的深度特征学习范式（即度量损失和分类损失）可以从不同的配对生成（PG）策略的角度进行统一表述。然而，在度量损失（ML）中，由于小批量大小的限制，每次迭代时考虑所有类别的负样本对生成是不可行的。相比之下，在分类损失（CL）中，由于类别权重向量收敛到其中心点，生成极其困难的负样本对也变得困难。这导致了采样负样本对与所有负样本对之间的两个相似度分布不匹配。因此，本文提出了一种统一的负样本对生成方法（UNPG），通过从统一视角结合两种 PG 策略（即 MLPG 和 CLPG）来缓解这种不匹配。UNPG 利用 MLPG 提供的有关负样本对的有用信息来克服 CLPG 的不足。此外，它还包括过滤噪声负样本对的相似度，以保证可靠的收敛性和性能提升。大量实验表明，UNPG 在公共基准数据集上通过实现最先进的性能超越了近期的各种损失函数。我们的代码和预训练模型已公开发布。