掩膜融合下的人臉圖像質量評價方法

李雷達，殷楊濤，吳金建，董偉生，石光明

西安電子科技大學人工智能學院，西安 710071

0 引 言

人臉識別是生物特征識別領域的研究熱點，已經在在線支付、安防等眾多領域中廣泛應用。雖然現有的人臉識別方法取得了優秀的性能，但往往需要有高質量的輸入圖像。然而，現實生活中人臉識別系統常處于開放多變的環境，對系統的魯棒性要求極高。外部環境的變化，如光照強度不當、人臉姿態不正等，會導致人臉圖像出現模糊、噪聲點較多和人臉關鍵部位不突出等問題，從而導致人臉識別系統的性能大大降低。人臉圖像質量評價方法可以用于改善人臉識別系統。一方面，由于影響人臉識別系統性能的往往是低質量圖像，因此可以利用人臉圖像質量模型過濾掉低質量人臉圖像，從而在減少無效識別的同時提升識別效率；另一方面，可以將人臉質量特征與識別特征相結合，自適應地調諧人臉圖像識別特征，進而提升人臉識別系統的性能。

目前，對于人臉圖像質量評價的研究相對較少，已有方法可以分為基于手工特征的方法和基于深度學習的方法?；谑止ぬ卣鞯姆椒ńY合人的先驗知識，提取與人臉質量相關的特征，并在此基礎上訓練回歸模型實現人臉圖像質量分數的預測。Luo(2004)采用與傳統圖像質量評價類似的方法，提取光強、模糊、噪聲等10種特征，利用人工神經網絡預測質量分數。Abdel-Mottaleb和Mahoor(2007)結合模糊、光照、面部姿勢和表情等進行人臉圖像質量評估；其中面部姿勢定義為人臉偏離正面的角度，面部表情通過預訓練的高斯混合模型來完成。Beveridge等人(2008，2010)利用廣義線性混合模型提出了兩種影響人臉驗證性能的特征，分別為Sobel濾波器下由像素值平均大小組成的邊緣密度度量和對臉部不同區域進行計數的區域密度度量。Sellahewa和Jassim(2010)利用通用圖像質量評價中的亮度失真分量(Wang和Bovik，2002)，將輸入人臉圖像與訓練集中的參考圖像進行比較，通過滑動窗口逐個計算平均亮度值，最后取所有窗口的均值作為人臉質量分數。Liao等人(2012)選取Gabor濾波的幅值作為特征，利用級聯支持向量機預測人臉圖像的5個質量等級。Chen等人(2014)提出了一種兩階段人臉圖像質量評價方法；第1階段中分別提取梯度直方圖、空間包絡特征(Oliva和Torralba，2001)、Gabor、局部二值特征(local binary pattern，LBP)和人臉關鍵點特征；第2階段中基于多項式核函數生成人臉圖像質量分數?；谑止ぬ卣鞯姆椒ㄖ?，特征的設計主要取決于人對有限圖像樣本的觀察和經驗，因此特征的表征能力有限，在面對真實環境下多變的場景和失真類型時，適用能力較差，難以滿足實際應用的要求。

隨著深度學習在計算機視覺領域的廣泛應用，研究者們也主要采用深度學習方法進行人臉圖像質量評價的研究。Zhang等人(2017)首先創建了一個人臉圖像照度質量數據庫(face image illumination quality dataset, FIIQD)，對200種不同照度下的224 733幅圖像進行了主觀質量評分，然后采用ResNet-50(He等，2016)網絡訓練人臉圖像質量評價模型。Hernandez-Ortega等人(2019,2020)提出了兩種人臉圖像質量評價模型，即FaceQnet-v0(face quality net-v0)(Hernandez-Ortega等，2019)和FaceQnet-v1(face quality net-v1)(Hernandez-Ortega等，2020)，采用BioLabICAO框架(Ferrara等，2012)從VGGFace2(Visual Geometry Group Face2)(Cao等，2018)數據集中選取最高質量的人臉圖像作為基準，然后將待評價圖像與基準圖像同時輸入人臉識別模型，得到不同向量間的距離，最后使用 ResNet-50(He等，2016)網絡進行回歸建模。FaceQnet-v1與FaceQnet-v0的主要不同在于人臉識別特征提取器的數量(前者使用3個，后者僅1個)。Zhang等人(2019)提出了多分支人臉圖像質量評價網絡，由特征提取和質量評價兩部分組成；前者利用卷積神經網絡(convolutional neural networks, CNN)提取特征，后者將特征送到4個全連接分支預測不同的質量屬性，包括對齊、可見性(遮擋)、姿勢和清晰度。Terh?rst等人(2020)提出了基于隨機張量魯棒性的人臉質量評價方法SER-FIQ(stochastic embedding robustness-face image quality)。通過比較人臉圖像經過多個隨機選擇子網絡模型的輸出向量來計算人臉圖像質量；這里通過所有輸出向量間歐氏距離的平均值表示質量，因此不需要人為標注。Ou等人(2021)提出了基于相似度分布距離的人臉質量評價方法(similarity distribution distance-face image quality assessment，SDD-FIQA)，首先計算輸入圖像在類間和類內的相似度分布，然后對兩種分布計算Wasserstein距離作為人臉圖像的質量特征，最后訓練回歸網絡實現評價。盡管目前基于深度學習的人臉圖像質量評價方法取得了重要進展，然而這些方法對于人臉圖像質量，尤其是其可用性特性的描述仍不夠準確和直觀。由于人臉圖像主要供識別算法使用，因此不同于傳統的圖像質量評價(Mittal等，2012a，b；Venkatanath等，2015；富振奇 等，2018；方玉明 等，2021)，人臉圖像質量評價模型既要符合人臉識別算法的特點，又要符合人眼的感知特性。

本文提出了一種新的基于掩膜的人臉圖像質量評價方法。從人眼識別人臉圖像的角度出發，人臉圖像的質量，即可用性的高低，主要是由臉部的關鍵區域(眼睛、鼻子和嘴等)決定，因此關鍵區域對于人臉識別至關重要。并且，這些區域的變化對不同質量人臉圖像的影響程度存在不同，而這正是本文算法的主要動機。具體地，對一幅待評價的人臉圖像，首先對關鍵區域加上掩膜，進而得到由評價圖像和掩膜圖像構成的人臉圖像對；然后，將上述圖像對輸入特征提取模塊得到人臉質量特征對；最后，通過質量特征對映射得到輸入人臉圖像的質量分數?；?個人臉圖像數據庫的實驗結果表明，本文方法能夠有效評估人臉圖像的質量，性能優于目前的主流方法。

1 提出的方法

1.1 核心思想

本文算法的主要思想是受人識別人臉特點的啟發，即人在進行人臉識別時往往主要依據眼睛、鼻子和嘴巴等關鍵區域(Liu等，2017；章堅武 等，2019；孫浩浩 等，2020)?，F有人臉識別算法在設計時也利用了上述特點(Sun等，2014；Taigman等，2014)。因此，在設計人臉圖像的質量評價模型時，也需要考慮關鍵區域對人臉識別算法的影響，進而獲得與人臉識別算法更加一致的質量評價模型。如何挖掘上述關鍵區域的特點，進而實現對人臉質量的有效表示是問題的核心，下面詳細闡述。

人臉圖像的質量評價不同于一般的圖像質量評價問題，其本質上是人臉圖像的可用性評價，即依附于特定識別系統存在的質量度量。在人臉識別系統中，人臉圖像的質量是通過輸入圖像與人臉數據庫中基準圖像特征對的相似度來進行度量的(這里的基準圖像一般是無失真的高質量清晰人臉圖像)，相似度越高說明輸入的人臉圖像質量越高，相似度越低說明輸入的人臉圖像質量越低。如圖1所示，輸入的第1幅人臉圖像比第2幅更加清晰，辨識度更高，因此經過人臉識別模型得到的人臉特征與基準圖像特征有著更高的相似度，反映出第1幅輸入人臉圖像的可用性質量更高，即該圖像的可用性價值更高。

圖1 傳統人臉圖像質量的計算Fig.1 Traditional calculation of face image quality

(1)

在實際的應用場景中，希望能夠直接使用輸入的人臉圖像Ii，快速判斷其質量的高低。因此，如何在僅使用輸入圖像的情況下，實現人臉圖像質量的無參考評價，是問題的核心。

考慮到可用性質量Q本質上代表輸入圖像與高質量基準圖像之間的相似度，即輸入圖像特征越接近基準圖像特征可用性質量越高，反之越低。在不使用高質量基準人臉圖像的條件下，可以換一種對比的基準，即使用輸入人臉圖像所對應的低質量圖像作為偽參考。不同于高質量的基準人臉圖像，偽參考圖像可視為人臉圖像可用性質量的另一個極端；輸入圖像與偽參考圖像越接近，其可用性質量越低，反之越高。

受此啟發，本文引入了人臉圖像的掩膜操作，即對臉部關鍵區域(如眼睛、鼻子和嘴等)添加黑色覆蓋。掩膜過程用M表示，添加了掩膜的圖像Im可表示為：Im=M(Ii)，相比一般的人臉識別參考圖像，這里的掩膜圖像可以認為是一種偽參考圖像，即圖像包含的人臉可用性信息幾乎可以忽略。對于任意一幅輸入人臉圖像，可以在沒有高質量基準人臉作為參考的情況下，利用偽參考掩膜圖像作為比較的基準；與掩膜圖像距離越近則可用性質量越低，距離越遠則可用性質量越高。上述特點可以用圖2表示，這樣就可以在只使用輸入人臉圖像的情況下進行無參考評估，從而得到人臉圖像的可用性質量表示。

圖2 人臉可用性質量的度量Fig.2 Utility measurement of face image quality

1.2 算法設計

圍繞核心思想，本文算法的構建主要分為兩部分，即人臉掩膜的設計和回歸網絡的構建，如圖3所示。人臉掩膜的設計主要得到人臉圖像的掩膜圖像，即偽參考圖像；回歸網絡構建部分主要通過輸入的人臉和掩膜圖像去預測人臉質量。

圖3 本文算法的框圖Fig.3 Framework of the proposed algorithm

1)人臉掩膜的設計。人眼識別人臉圖像時主要通過關鍵區域(眼睛、鼻子和嘴等)進行分析和判斷，所以關鍵區域的破壞將直接影響圖像質量的高低；并且關鍵區域的破壞對不同質量的人臉圖像帶來的影響也不相同。相較于低質量的人臉圖像，增加掩膜對高質量人臉圖像的識別性能影響更大。設計掩膜的目的是掩蓋掉關鍵區域的作用，然后通過比較增加掩膜前后識別性能的影響程度表示人臉圖像的質量。因此，本文中設計掩膜的原則是將人臉圖像中關鍵區域的有用信息消除，從而得到所需的掩膜圖像。本文采用專門用于人臉檢測(非人臉識別)的Retinaface(Deng等，2019b)識別出人臉的關鍵區域，獲得人臉關鍵區域的坐標。從關鍵區域中選取左右眼、鼻子及嘴巴等4個區域，并將區域中的像素值全部置0，即獲得掩膜人臉圖像Im。掩膜圖像Im符合本文所期望的偽參考圖像的特點，即可用性質量是極低的。具體效果如圖4所示。

圖4 掩膜操作Fig.4 Mask operation

2)回歸網絡構建。對于回歸網絡構建，考慮到訓練模型的計算成本不能太高，并且需要在視覺領域的應用較廣，表現性能較好，本文選取Inception結構(Szegedy等，2015)的網絡模型。綜合考慮網絡的性能表現和計算成本，最終選取InceptionResnetV1(Szegedy等，2017)作為主干結構，并且抽取最后的分類層，只采用分類層之前的512維特征，然后用兩個全連接層進行連接，最后預測的分數值P可表示為

(2)

考慮到人臉圖像質量表示是連續的數值，因此采用均方誤差函數作為訓練時的損失函數，即

(3)

式中，K為樣本數，j代表樣本的索引。

本文提出的人臉圖像質量評價模型總體參數量為23.52 M(million)，浮點運算次數為2.85 GFLOPs (giga float-point operations per second)。將所提出的算法取名為基于掩膜的人臉圖像質量評價方法(mask-based face image quality，MFIQ)，需要說明的是，評估模型MFIQ訓練完成之后，即可以直接用于評價任何輸入的人臉圖像，不再需要參考圖像，即無參考評價。

2 實 驗

2.1 實驗設置

2.1.1 數據集

實驗中采用5個人臉圖像數據集：包括1個新構建的人臉數據集和4個已有的人臉識別數據集。其中新構建的數據集取一定比例的人臉數據用來進行模型訓練，剩下的圖片數據和其余4個公開數據集用于模型測試。4個現有數據集分別為LFW(labeled faces in the wild)(Huang等，2008)、VGGFace2(Cao等，2018)、CASIA-WebFace(Institute of Automation， Chinese Academy of Science-Website Face)(Yi等，2014)和CelebA(CelebFaces Attribute)(Liu等，2015)，詳細信息如表1所示。

表1 人臉圖像數據集信息Table 1 Information of face image datasets

盡管上述數據集中包含大量不同環境下的人臉圖像，然而其中人臉圖像的失真程度普遍較弱，主要為高質量人臉圖像，因而無法很好地代表真實環境中復雜的人臉圖像失真。為了獲得普適性更好的模型，訓練數據集中圖像失真的種類和失真程度應當有足夠的多樣性，這樣才能保證模型的泛化性。為此，本文構建了一個新的人臉圖像質量評價數據庫，取名為DDFace(diversified distortion face)，包含更加廣泛的人臉圖像失真類別和失真強度，數據集的具體信息如表2所示。

表2 本文構建的DDFace數據集信息Table 2 Information of the DDFace dataset

考慮到VGGFace2數據集中每個人臉對應的圖像數量較多，有利于確定基準人臉圖像，因此從中選取1 000個人臉圖像作為DDFace數據庫的基準人臉圖像，每個人臉ID下有10種不同角度或環境的圖像。然后，在確定的基準人臉圖像基礎上添加5種模擬的失真操作，包括高斯模糊、高斯噪聲、對比度失真、運動模糊和圖像壓縮(joint photographic experts group, JPEG)；每種失真類型又包含6種不同的失真等級。同時，為了模擬真實環境下圖像中存在的復合失真，采用Ou等人(2019)的方法，并設置4種不同的失真等級。對基準人臉圖像添加失真的效果如圖5所示。

圖5 DDFace數據庫失真圖像示例Fig.5 Samples of distorted images in DDFace dataset

2.1.2 人臉圖像質量標注

人臉圖像的質量本質上是可用性質量，即面向人臉識別系統，如圖6所示,用D表示距離度量，∝表示正相關，則人臉圖像的質量Q可以等效為

(4)

人臉圖像質量的標注主要包含3個步驟：人臉基準圖像的選擇、人臉識別模型以及相似性度量方式的選擇。需要說明的是，采用基準圖像進行人臉圖像的標注僅在模型訓練階段需要，當模型訓練完成之后即可以對任何輸入的人臉圖像直接進行質量評價，不需要任何額外的信息。

圖6 人臉圖像可用性質量的標注Fig.6 Annotations of the face image utility quality

1)人臉基準圖像It。所構建的DDFace數據集里面每一張人臉都會有一幅高質量圖像作為基準圖像，基準圖像具有高質量、高辨識度以及臉部方向朝正的特點，用于與其他人臉圖像進行相似度的計算。

2)人臉識別模型F?？紤]到訓練數據集DDFace中人臉圖像尺寸均為160×160 像素，本文選取了輸入要求為112×112像素，即也是等寬高的Insightface(Deng等，2019a)人臉識別模型，該模型在各個數據集上的表現都很優秀。

3)距離度量D。輸入人臉圖像和基準人臉圖像經過人臉識別網絡得到人臉特征對之后，采用余弦距離來表示輸入圖像的人臉質量分數。在人臉圖像質量模型的訓練中，采用上述分數為訓練標簽。

2.1.3 模型訓練與評估

1)訓練。對構建的DDFace數據集，按照8 ∶1 ∶1的比例劃分訓練、驗證和測試集。訓練InceptionResnetV1網絡時超參數的具體設置為：初始學習率0.001，學習率衰減因子0.9，衰減步長2，總訓練輪次為40。

2)評估。為了評估人臉圖像質量評估模型的性能，實驗采用Grother和Tabassi(2007)提出的錯誤拒絕曲線(error versus reject curve，EVRC)，該曲線通過樣本拒絕比例和錯誤拒絕率(false non-match rate，FNMR) 來度量評價模型性能的優劣程度。除了錯誤拒絕曲線，實驗中還利用了SDD-FIQA方法中的曲線面積(area over curve，AOC)指標進一步量化該曲線，具體定義為

(5)

式中，g(φ)表示在拒絕比例φ下，人臉驗證的FNMR；φ=1-σ是被去除的低質量圖像所占比例，a和b分別表示它的下界和上界，在本文實驗中分別設置為0和1。

2.2 實驗結果

實驗中，將本文提出的MFIQ算法與傳統的圖像質量評價算法BRISQUE(blind reference image spatial quality evaluator)(Mittal等，2012a)、NIQE(natural image quality evaluator)(Mittal等，2012b)和PIQE(perception image quality evaluator)(Venkatanath等，2015)以及基于深度學習的人臉圖像質量評價方法FaceQnet-v0、FaceQnet-v1和SER-FIQ進行對比。

2.2.1 算法性能比較

本節實驗利用Insightface模型來進行人臉驗證，在5個數據集下分別對比不同的質量評價模型，實驗得出的EVRC曲線如圖7所示(考慮到全部數據集下的曲線圖展示占用過大篇幅，這里僅展示3種數據集下的結果，其中兩個為公開數據集里代表性較強的LFW和CASIA-WebFace數據集，另一個為本文所構建的DDFace數據庫測試集部分)，AOC的結果在表3中給出。實驗結果表明，在3種錯誤匹配率(FMR)值下(0.1, 0.01和0.001)，MFIQ都獲得了最好的AOC結果，其中在LFW數據集上相比于次優模型的AOC結果提高約4%，在CASIA-WebFace數據集上提升1.1%，在VGGFace2、DDFace和CelebA數據集上也均有不同程度的性能提升。

2.2.2 跨模型下的性能比較

在真實場景部署中所使用的人臉識別模型可能各不相同，本文訓練MFIQ過程中人臉質量的標簽是基于Insightface模型生成的。為了驗證MFIQ模型在不同人臉識別模型下的擴展性能，本文采用另一種人臉識別模型Sphereface進行測試，在5個數據集下分別對比不同的質量評價模型，實驗的EVRC曲線如圖8所示(考慮到全部數據集下的曲線圖展示占用過大篇幅，這里僅展示3種數據集下的結果，其中兩個為公開數據集里代表性較強的LFW和CASIA-WebFace數據集，另一個為本文所構建的DDFace數據庫測試集部分)，AOC結果在表4中展示。實驗結果表明，在LFW數據集上MFIQ方法相比于其他模型的AOC結果提高大約14.8%，在CASIA-WebFace上提高了2.9%，在DDFace數據集上提高了4.7%，而在CelebA和VGGFace2兩個數據集上的性能表現也是最好的。

圖7 錯誤拒絕曲線圖(Insightface模型下)Fig.7 Error rejection curves (Insightface model)((a) LFW (FMR=0.1)；(b) CASIA-Webface (FMR=0.1)；(c) DDFace (FMR=0.1);(d) LFW (FMR=0.01)；(e) CASIA-Webface (FMR=0.01)；(f) DDFace (FMR=0.01);(g) LFW (FMR=0.001)；(h) CASIA-Webface (FMR=0.001)；(i) DDFace (FMR=0.001))

兩種人臉識別模型下的實驗結果均表明，本文提出的MFIQ方法在性能上優于其他主流的人臉質量評估方法，相較于傳統的質量評價方法性能提升更為顯著。

2.2.3 MFIQ模型下的數據分布評估

本部分用MFIQ評價模型對5個數據集里的人臉圖像進行可用性質量的預測。5個數據集中圖像的特點分別為：

1)CASIA-WebFace、VGGFace2和CelebA中的人臉圖像大部分都是質量較高的人臉圖像，其中CelebA數據集中高質量清晰圖像所占的比重最大。

2)LFW數據集中人臉圖像質量較低的圖像數量較少，大部分都是較為清晰和辨識度較高的圖像，噪聲較少。

3)本文中所構建的DDFace數據集是從VGGFace2里選取的人臉圖像通過添加不同類型不同等級的失真得到的，很多人臉圖像里面含有各種噪聲，因此DDFace中低質量的人臉圖像占比較大。

本部分用MFIQ方法對數據集中所有的人臉圖像進行質量評估，得到各數據集下的質量分數分布圖，如圖9所示。從圖9中可以看出，5個數據集里面DDFace數據集中低質量人臉圖像占的比重最大，而CASIA-WebFace、VGGFace2和CelebA中的人臉圖像大部分的質量分數在0.7以上，即高質量圖像的占比較大；LFW數據集中大部分圖像的質量分數都在0.5之上，即人臉圖像的可用性也都較高，這與數據集實際分布的特點十分吻合。

表3 AOC結果(Insightface模型下)Table 3 The AOC results (Insightface model)

圖8 錯誤拒絕曲線圖(Sphereface模型下)Fig.8 Error rejection curves(Sphereface model)((a) LFW (FMR=0.1)；(b) CASIA-Webface (FMR=0.1)；(c) DDFace (FMR=0.1);(d) LFW (FMR=0.01)；(e) CASIA-Webface (FMR=0.01)；(f) DDFace (FMR=0.01);(g) LFW (FMR=0.001)；(h) CASIA-Webface (FMR=0.001)；(i) DDFace (FMR=0.001))

實驗結果表明了本文MFIQ方法對數據集的可用性質量分布預測和真實的情況十分接近，模型預測的結果具有可信度。

2.2.4 MFIQ算法質量評價效果

實驗選取相同人臉和不同人臉條件下不同失真程度的示例圖像，并用4種不同的人臉質量評估模型進行質量預測。相同人臉條件下預測的結果如圖10所示，每一行代表一個人，從左到右人臉圖像質量依次升高。

實驗結果表明，MFIQ方法能夠有效地區分人臉高低質量，預測的質量排序與真實質量一致，而其他3種人臉質量評價模型都存在一定的預測偏差。例如，SER-FIQ錯誤地認為圖10(d)所示的人臉比圖10(c)中的人臉質量要低，且預測的質量分數過于集中，區分度低；FaceQnet-v0預測圖10(b)中的人臉質量比圖10(a)低，圖10(g)的人臉質量比圖10(f)差，圖10(a)和圖10(c)人臉的質量相近，這與實際質量存在較大的偏差。FaceQnet-v1則錯誤地認為圖10(c)和圖10(d)人臉比圖10(a)人臉質量要差，同時對圖10(e)和圖10(f)的預測出錯。

對于不同人臉條件下的人臉圖像預測也進行了對比，如圖11所示。預測結果表明，MFIQ方法能夠有效地對不同人臉下的不同質量圖像進行區分和預測。例如，SER-FIQ錯誤地認為圖11(a)和圖11(b)中的人臉比圖11(d)中的人臉質量高；FaceQ-net-v0判斷圖11(c)和圖11(d)中的人臉質量時現了偏差，并且錯誤地認為圖11(f)和圖11(g)所示的人臉比圖11(h)中的人臉質量要高；FaceQnet-v1預測結果出現的問題與FaceQnet-v0類似。

表4 AOC結果(Sphereface模型下)Table 4 The AOC result (Sphereface model)

圖9 數據集分布預測Fig.9 Prediction of the dataset distribution

上述實驗結果表明，SER-FIQ、FaceQnet-v0和FaceQnet-v1幾種主流的人臉質量評價模型對低質量人臉圖像的辨識度不強，即對于失真人臉圖像預測的魯棒性不高，導致在低質量人臉圖像多的情況下容易出現誤判。

相比而言，本文提出的MFIQ方法能夠更加準確地區分出不同等級失真人臉圖像的可用性質量，性能更加優秀。

圖10 相同人臉ID下不同失真強度的可用性質量分數預測Fig.10 Face image utility quality score prediction with wide distoration range under the same face ID((a) face 1-1；(b) face 1-2；(c) face 1-3；(d) face 1-4;(e) face 2-1；(f) face 2-2；(g) face 2-3；(h) face 2-4)

圖11 不同人臉ID下不同失真強度的可用性質量分數預測Fig.11 Face image utility quality score prediction with wide distoration range under different face ID((a) face 1；(b) face 2；(c) face 3；(d) face 4;(e) face 5；(f) face 6；(g) face 7；(h) face 8)

3 結 論

本文提出了一種基于掩膜的人臉圖像質量評估方法，該方法從人臉識別的固有特點出發，充分考慮關鍵區域在人臉識別過程中的決定性作用，通過構建掩膜圖像作為偽參考，進而獲得待評價人臉圖像質量的無參考表示。在不同人臉識別模型下的實驗結果表明，本文方法能夠準確地預測不同失真強度下人臉圖像的可用性質量，相比于傳統的質量評價方法和主流的人臉質量評價方法，本文方法對人臉圖像的預測更加貼近真實結果，并且在對低質量人臉圖像的評估表現上，本文方法的魯棒性更高。

本文方法在人臉質量評估任務上表現性能優異，而如何將其融入到現有的人臉識別模型中并提高模型在低質量圖像上的識別精度是進一步的難點，未來將著重從這方面入手，將人臉質量評價模型和人臉識別模型相結合，輔佐人臉識別模型，改善現有人臉識別模型在低質量人臉圖像上識別效果不佳的狀況。