灰色标记：可以日后引用的观点 红色标记：好的写法、语句、单词 紫色标记：文章重点 黄色标记：寻常突出
文章评论：：
创新点：：
研究结论：：
研究局限及其展望：：
Face Image Quality Assessment (FIQA)人脸图像质量评估
XXX-aware: 有什么什么意识的，可以用于确定任务范围（如 recognizability-aware embedding learning，如 Learning deep part-aware embedding）
【嵌入空间；unrecognizable identities (UIs)】
该文章 首先提出RI(recognizability index，识别指数)用于表达一个样本的识别质量（face recognizability/face quality）。RI与UI中心有关，与positive and negative class prototypes有关。
其次提出index diversion (ID) loss使得UIs（也就相当于是难分样本）从UIs cluster中分离出来。
文章强调，专注于解决UI上嵌入学习 有助于提高解释力，同时促进类别间的分离，特别是对于难以识别的实例。
Recognizability Index (RI) Formulation由三项组成
针对每一个实例 i ,
# intra-class proximity
# inter-class proximity
# UI proximity
最后，
# 给定ε = 1e−7以避免被0整除
Perceptibility Regression Module 感知力回归模块/理解力回归模块
[36] 揭示了人脸质量与识别性能之间的关系。
使用了 smooth L1 Loss： 结合了L1损失和L2损失，又快又平滑，L2损失在损失面呈现更平滑的过渡，有利于收敛。