在低质量人脸数据集上进行人脸识别极具挑战性，因为面部特征往往被遮挡或退化。近年来，基于边距的损失函数取得了显著进展，有效提升了嵌入空间中人脸的判别能力。此外，先前的研究已探讨自适应损失函数的作用，通过赋予误分类（困难）样本更高的权重来增强模型性能。在本工作中，我们引入了损失函数自适应性的另一维度——图像质量。我们认为，强调误分类样本的策略应根据其图像质量进行调整：对于不同质量的样本，应依据其图像质量动态调整易分类样本与难分类样本的相对重要性。为此，我们提出一种新型损失函数，根据图像质量对不同难度的样本进行差异化强调。该方法通过近似图像质量与特征范数之间的关系，构建自适应边距函数实现。大量实验表明，所提出的AdaFace方法在四个基准数据集（IJB-B、IJB-C、IJB-S 和 TinyFace）上均超越现有最先进（SoTA）方法的识别性能。相关代码与模型已开源，地址为：https://github.com/mk-minchul/AdaFace。