摘要

过去十年中，借助先进的机器学习方法，人脸识别算法取得了稳步进展。损失函数在解决人脸识别验证问题中扮演着至关重要的角色，甚至起到了变革性的作用。现有的损失函数主要聚焦于类内差异与类间分离性的优化。本研究聚焦于人脸验证问题中的一种自然现象——面部对称性。近年来，左右半脸之间的对称性已被广泛应用于多个研究领域。本文巧妙地采用了一种简单而有效的方法：将人脸图像沿垂直方向划分为左右两半。基于面部自然对称性可能提升人脸识别性能的假设，我们提出如下猜想：经分割后的左右半脸所生成的两个嵌入向量，在输出嵌入空间中应尽可能接近。受此启发，本文设计了一种对称性损失（Symmetrical Loss），通过惩罚对称分割对在嵌入空间中的差异，来约束网络学习。该损失函数能够有效抑制由面部表情变化或光照条件差异引起的微小不对称特征，从而显著增强类间差异性，获得更加可靠的人脸嵌入表示。实验结果表明，该损失函数可显著提升各类现有网络架构与配置下的性能，推动模型超越其基线表现，最终实现当前最先进的（SoTA）识别效果。