目录
[第一章 背景介绍](#第一章 背景介绍)
[1.1 面部识别的发展与挑战](#1.1 面部识别的发展与挑战)
[第二章 标签噪声分类与处理方式](#第二章 标签噪声分类与处理方式)
[2.1 标签噪声分类](#2.1 标签噪声分类)
[2.2 噪声处理策略](#2.2 噪声处理策略)
[第三章 本文提出的方法------RepFace框架](#第三章 本文提出的方法——RepFace框架)
[3.1 总体框架](#3.1 总体框架)
[第四章 各模块详解](#第四章 各模块详解)
[4.1 辅助样本清理（ASC）](#4.1 辅助样本清理（ASC）)
[4.2 样本划分（Sample Splitting）](#4.2 样本划分（Sample Splitting）)
[4.3 模糊样本标签融合（LRF）](#4.3 模糊样本标签融合（LRF）)
[4.4 平滑标签修正（SLC）](#4.4 平滑标签修正（SLC）)
[第五章 实验部分](#第五章 实验部分)
[5.1 数据集](#5.1 数据集)
[5.2 训练细节](#5.2 训练细节)
[5.3 消融实验与超参数分析](#5.3 消融实验与超参数分析)
[5.4 对比实验](#5.4 对比实验)
[第六章 总结](#第六章 总结)
论文标题
《RepFace: Refining Closed-Set Noise with Progressive Label Correction for Face Recognition》
第一章 背景介绍
1.1 面部识别的发展与挑战
近年来，面部识别（Face Recognition, 简称FR）因在安全、监控、移动设备解锁等领域的应用迅猛发展。驱动面部识别进步的三大关键因素是：
-
大规模的人脸数据集（如MS-Celeb-1M, VGGFace2）
-
强大的骨干网络（如ResNet, MobileNet, Vision Transformer）
-
优秀的判别性损失函数（如ArcFace, CosFace）
然而，随着数据集规模的扩展，标签噪声（Label Noise）问题也随之加剧 ，尤其是闭集噪声（Closed-Set Noise）。噪声会显著影响模型性能，因此需要有效的噪声处理技术。
说明：
标签噪声（Label Noise）： 就是图像被标错了类别。比如一张张三的照片，错误地标成了李四。
闭集噪声（Closed-Set Noise） 是一种特殊的标签噪声 ，指的是：
图像虽然被标错了，但错标成了同一数据集里另一个人的身份。
比如数据集里有张三、李四、王五，
张三的照片被错标成李四，
这就是闭集噪声（因为李四也在这个数据集中）。
第二章 标签噪声分类与处理方式
2.1 标签噪声分类
-
闭集噪声（Closed-Set Noise）：图像被错误标注为数据集中其他已有的类别。
-
开集噪声（Open-Set Noise）：图像的真实身份并不属于数据集中已有类别，但被错误归为某个已有类别。
2.2 噪声处理策略
两大主流方法：
-
噪声清理（Noise Cleaning）：检测并剔除噪声样本。
-
标签修正（Label Correction）：对噪声样本重新估计正确标签，使其继续参与训练。
现有问题：
-
针对开集噪声的方法多，但在实际中闭集噪声占多数，且影响更大。
-
现有闭集噪声方法（如BoundaryFace）依赖早期训练收敛，容易误判，无法有效处理模糊样本（Ambiguous Samples）。
说明：
模糊样本（Ambiguous Samples）
指的是介于干净样本和噪声样本之间的样本：
它们的特征和正确类别很接近 ，但又不是非常自信（不像干净样本那样高置信度）。
它们也不像明显噪声那样特别离谱，所以又不敢直接把它们当成噪声扔掉。
简单打个比方：
干净样本：自信满满，模型一眼认出来。
噪声样本：乱七八糟，模型认不出，明显是错的。
模糊样本：犹犹豫豫，模型觉得"好像对，但又好像有点不太对"。
更具体一点：
在论文里，作者用"正类中心 "和"最近负类中心 "的余弦相似度差
来衡量：
如果
如果
如果 0<
为什么BoundaryFace搞不定模糊样本？
因为BoundaryFace的思路是：
要等模型很有区分能力后，直接判断哪个是噪声。
但模糊样本"半对半错"，它既不像干净样本那么自信，也不像噪声样本那么明显，所以BoundaryFace容易把它们误当成干净样本继续训练 ➔ 后面模型就越来越被污染。
本文RepFace是怎么处理模糊样本的？
✅ RepFace不会直接丢掉模糊样本。
✅ 它通过标签融合（Label Robust Fusion），把模型过去的预测结果和原标签融合，慢慢让模糊样本也能被正确利用。
第三章 本文提出的方法------RepFace框架
目标 ：
稳定早期训练，区分清晰、模糊和噪声样本，分别设计不同训练策略。
3.1 总体框架
RepFace方法主要包含四大模块：
-
ASC（Auxiliary Sample Cleaning）
-
样本划分（Sample Splitting）
-
模糊样本标签融合（Label Robust Fusion, LRF）
-
平滑标签修正（Smoothing Label Correction, SLC）
第四章 各模块详解
4.1 辅助样本清理（ASC）
目的 ：在训练初期，利用人为添加的辅助噪声样本，帮助模型识别真正的噪声样本。
步骤：
-
在每个小批量中随机选M个样本，赋予随机标签（Auxiliary Samples）。
-
计算这些辅助样本与其伪标签中心的余弦相似度。
-
设定阈值η，区分干净样本（cosθ ≥ η）和噪声样本（cosθ < η）。
-
筛除疑似噪声样本，仅用干净样本训练。
公式：
解释：
-
M：辅助样本数量（每次随机选的数量）
-
-
-
👉 作用：划定一条线，小于这条线的可能是噪声，大于这条线的可能是干净样本。
解释：
-
-
-
-
-
👉 作用：根据刚才设定的阈值η，把真实样本分类为干净或噪声。
如果相似度比阈值高，就留下来训练；
如果相似度比阈值低，就当成噪声样本，屏蔽它对模型的影响。
4.2 样本划分（Sample Splitting）
依据 ：
用样本到正类中心与最近负类中心的余弦相似度差（）划分：
公式：
含义：最近负类中心与正类中心的相似度差。
划分标准：
-
-
-
4.3 模糊样本标签融合（LRF）
目的：充分利用模糊样本，避免直接使用错误标签。
方法：
-
采用记忆库（Memory Bank）累积每次模型对模糊样本的预测。
-
用过去的预测结果与真实标签进行融合，生成软标签（Soft Label）。
融合公式：
| 符号 | 代表含义 |
|---|---|
| 融合后的软标签（soft label） | |
| 模型过去多次预测累计起来的概率分布（记忆库Memory Bank里存的预测） | |
| 原始的真实标签（one-hot形式，比如第3类就是[0,0,1,0,0,...]） | |
| 融合比例超参数，控制相信预测多少，相信真实标签多少（论文设置β=0.9） |
其中p是累计预测生成的软标签， 是真实标签。
4.4 平滑标签修正（SLC）
目的：为检测出的闭集噪声样本平滑修正标签，降低误判影响。
方法：
-
基于Sigmoid(
-
将真实标签与最近负类标签按比例加权混合，形成软标签。
公式：
- 同时对损失函数也进行平滑处理。
第五章 实验部分
5.1 数据集
-
训练集：MS1MV2、CASIA-WebFace（有合成10%、20%的闭集噪声版本）
-
测试集：LFW、AgeDB、CFP-FP、IJB-B、IJB-C等主流基准数据集。
5.2 训练细节
-
主干网络：IR-ResNet50
-
损失函数基线：MV-Softmax
-
优化器：SGD
-
学习率调度：分阶段衰减
5.3 消融实验与超参数分析
-
τ阈值选择：最佳设为0.2
-
α参数（ASC中稳定阈值）：最佳设为0.05
-
β参数（融合平衡系数）：最佳设为0.9
-
各模块贡献验证：完整使用ASC+SLC+LRF效果最佳。
5.4 对比实验
-
在闭集噪声下：RepFace整体优于ArcFace、MV-Softmax、BoundaryFace等SOTA方法。
-
鲁棒性验证：在20%噪声数据上，RepFace性能下降更小，展现更强的抗噪声能力。
第六章 总结
RepFace提出了一个创新的闭集噪声处理框架，通过：
-
辅助噪声样本筛选
-
样本划分与分类训练
-
记忆式标签融合
-
平滑式标签修正
极大地提升了面部识别模型在噪声环境下的性能和鲁棒性，达到了多个基准测试的SOTA水平。