AdaFace
定义
AdaFace是一种用于训练人脸识别模型的质量自适应间隔损失函数，英文全称为“Quality Adaptive Margin for Face Recognition”，中文可译作“质量自适应间隔”[1]。它属于基于间隔(margin)的深度度量学习方法，作用于人脸嵌入向量的判别性学习，而不是一个独立的网络结构[2]。
在人脸识别任务中，模型通常把一张人脸图像映射为一个固定维度的特征向量，再通过向量间的余弦相似度判断两张图像是否属于同一人。AdaFace关注的是训练阶段如何构造损失，使同类人脸在特征空间中彼此靠近、不同身份相互远离，并在图像质量较低时仍保持这一性质[1]。
原理
基于间隔的损失函数通常在目标类别的角度上额外加入一个间隔项，从而增强类间可分性。已有研究多把自适应性用在“难样本”上，即对分类错误的样本加大权重；AdaFace则提出另一个自适应维度——图像质量，认为强调难样本还是易样本，应当取决于样本本身的质量[2]。
该方法用人脸特征向量的范数近似图像质量，并以自适应间隔函数的形式把质量信息引入损失。其损失形式可概括为在目标类角度上施加角度间隔 $g_{angle}$，同时在余弦值上减去一个附加项 $g_{add}$，两者均由归一化特征范数决定：$g_{angle}=-m\cdot\|\widehat{z_i}\|$，$g_{add}=m\cdot\|\widehat{z_i}\|+m$[3]。这样，高质量样本与低质量样本在训练中受到的约束强度不同，低质量样本不会因特征模糊而被过度惩罚[2]。
从推理流程看，AdaFace模型接收对齐后的 112×112 人脸图像，输出 512 维特征向量，比对时先对向量做 L2 归一化，再计算余弦相似度[4]。
发展历程
2022 年 4 月 3 日，相关论文以预印本形式公开，随后被 IEEE/CVF 计算机视觉与模式识别会议(CVPR 2022)接收，并以口头报告形式发表，论文页码为 18729 至 18738[2][5]。论文报告该方法在 IJB-B、IJB-C、IJB-S、TinyFace 这 4 个数据集上优于当时的先进水平，并公开了代码与模型[1]。
此后 AdaFace 被多种开源人脸分析工具作为可选识别引擎集成。开源工具 UniFace 提供基于 IR-18、IR-50、IR-101 骨干网络的 AdaFace 模型，分别在不同规模数据上训练，输出 512 维特征[6]。也有项目将其权重转换为 ONNX 格式，以便在不依赖原始框架的环境中进行推理[4]。
公开的预训练模型多以 WebFace4M 与 WebFace12M 作为训练数据，前者约含 400 万张图像用于轻量模型，后者约含 1200 万张图像用于精度更高的模型[7]。
应用
AdaFace 主要作为人脸识别模型的特征提取与训练方案，用于人脸验证与人脸辨识两类任务[4]。由于设计上针对低质量图像，它在监控场景、远距离采集等条件较差的人脸比对中被研究和试用[8]。
在具体系统实现中，AdaFace 常与 MTCNN 等检测网络配合使用：先由检测网络定位并裁剪人脸，再送入 AdaFace 提取特征，最后比较特征相似度完成识别[9]。也有研究将其用作低分辨率、模糊监控画面识别的参考模型，或把 AdaFace 损失与其他轻量骨干网络结合，用于可撤销人脸模板等隐私保护方案[9][10]。
此外，AdaFace 的损失函数还被迁移到人脸之外或极端条件的研究中，例如用于死后人脸的比对实验，其中基于 ViT 骨干的 AdaFace 变体在部分指标上优于若干经典模型[11]。
局限
AdaFace 的质量自适应能力存在边界。在遮挡、严重损伤、图像质量过差或姿态不理想的情况下，嵌入空间可能出现较大且非线性的偏移，超出模型的适应范围，导致识别失败；相关实验报告中约 30% 的案例出现此类情况[11]。
其性能表现与训练数据规模和骨干结构密切相关。在低分辨率或监控画质数据上，对模型进行完全微调可能引起明显的灾难性遗忘，使已有识别能力下降，需要额外的训练策略加以缓解[12]。另有研究指出，不同损失函数的效果存在场景依赖性，AdaFace 在远距离人脸任务上表现较好，而在部分监控与运动相机场景中并不总优于其他间隔损失方法[8]。
以特征范数近似图像质量本身是一种间接估计。AdaFace 的特征范数分布相对集中，多数落在 0.8 至 1 之间，这使得基于范数的质量信号区分度有限[8]。
参见
参考资料
- thecvf.com 上的网页 [引用日期2026-10-29]
- AdaFace: Quality Adaptive Margin for Face Recognition [引用日期2026-10-29]
- Supplementary Material [引用日期2026-10-29]
- README [引用日期2026-10-29]
- dblp.org 上的网页 [引用日期2026-10-29]
- recognition [引用日期2026-10-29]
- Datasets [引用日期2026-10-29]
- obspm.fr 上的网页 [引用日期2026-10-29]
- Blurred Facial Recognition Based on AdaFace [引用日期2026-10-29]
- ieee.org 上的网页 [引用日期2026-10-29]
- s41598-026-65303-z_reference(PDF) [引用日期2026-10-29]
- FG2025_SwinFR(PDF) [引用日期2026-10-29]