LOCAL FACE MATCHING · REVIEW COPY

跨年龄人脸比对结果

使用两张正面参考照建立人物模板，并对两张合照中的全部可检测人脸进行排序。已知合照用于盲测校验；目前已复测四套识别架构及非生成式分辨率匹配。

已知合照盲测

0.281 · 排名第 1

模型从视频截图的 17 张人脸中选出右一。人工核对结果：正确。第二名为 0.136。

ArcFace扰动 31 / 32 第一

新下载版本中对齐扰动稳定性最强；低分辨率ArcFace与F10各赢两个尺度。跨模型最终列为第二候选。

3 / 3 聚合规则第一

新下载版本中，AdaFace扰动31/32次第一；低分辨率AdaFace 4/4第一；ArcFace始终将其放在前二。跨模型一致性最高。

等权参考时曾排第 1

旧压缩版、两张参考等权时曾出现8/8首位；在新下载版本中，F04在标准AdaFace降至第14，并退出主要竞争。

采用官方 WebFace4M + TinyFace 权重，专门处理高清参考与低清探针的质量域差异。测试四组预先固定的高清/低清分支强度。

四组均未通过盲测：已知右一只排第 2 或第 3，因此该模型不进入融合。它在目标图中偏向 F04/F05，但这些结果没有投票权。

把高清参考照降到每个候选的估计有效分辨率，做三尺度特征累积；再以同一分辨率下的全组合照人脸作为队列，将原始余弦转成组内标准分，避免最小脸因普遍模糊而天然虚高。

参考照可靠性并不相等：流程自动学习到67约占92%、68约占8%。新下载版本重新计算后，F04进一步退出主要候选。

对关键点、裁剪平移、尺度、旋转和插值方式执行32种确定性扰动；参考照权重只由已知右一学习，不使用目标身份。

新下载版本使最终聚合收敛：模型等权、已知表现加权、扰动稳定性加权三种规则全部选择F10，F13第二。

同时比较旧、新两份JPEG；分数差均除以同一模型在已知合照中的正确匹配边际。扰动样本彼此相关，因此胜次不当作独立概率。

方向票按独立流程计为4比4，但F10一侧的校准后差距更强。为避免把相关扰动重复计算，保守二选一权重维持为 F10 63%、F13 37%；这是程序内部相对权重，不是真实身份概率。

采用官方 WebFace4M 预训练的 AdaFace ViT-Base KPRPE。该模型显式使用五官关键点，结构上不同于前两套 CNN；同时测试标准对齐、保留姿态方形裁剪，以及官方 DFA 关键点三种固定接法。

输入接法	已知右一 63_F07	目标图首位	判定
标准五点对齐	第 2	58_F04（领先 0.009）	未过盲测
保留姿态 + Retina关键点	第 3	58_F05（领先 0.006）	未过盲测
保留姿态 + 官方DFA	第 8	58_F19	未过盲测

三种接法都不能把已知右一排到第一，因此 KPRPE 不进入最终融合，也不能把它在目标图里的任何首位当作支持票。这不是 GPU 或运行失败；是模型在当前输入质量下未通过校准。

新增官方 AdaFace IR-50 作为低质量人脸排名器。两套模型均使用同一组检测框，但独立提取身份特征。

模型	已知舞台照	教室照
ArcFace	63_F07 第1 领先 0.145	58_F13 第1 领先 0.077
AdaFace	63_F07 第1 领先 0.193	58_F05 第1 领先仅 0.011；58_F13 第12

两套模型在目标图上有分歧。AdaFace 的前三名仅为 0.232、0.220、0.217，说明它在教室照上没有形成清晰赢家。

0.232 · AdaFace排名第 1

红框人物的原始脸宽只有约15像素。第二名为0.220、第三名为0.217，因此这张图展示的是AdaFace的最高排名结果，并不代表它形成了明确身份判断。

以“目标图第一、第二名分差 ÷ 已知盲测分差”估计每个模型在当前目标图上的可分离度，再做倒数名次融合。得到 ArcFace 约 90%、AdaFace 约 10%的权重。

融合名次	候选	ArcFace名次	AdaFace名次
1	58_F13	1	12
2	58_F10	2	4
3	58_F05	4	1

这是针对当前照片的启发式排序，不是身份概率。若两模型机械等权，结果会改变，因此模型分歧本身必须保留在结论中。

新版本最终纯程序结论：58_F10为默认首选，二选一相对权重63%；58_F13第二，37%。专项复测确认F10的优势来自更大的校准后差距，但两种有效模型仍然方向相反，所以不能解释为真实身份概率。