在本节中，我们将进一步研究无约束的低分辨率人脸识别。我们首先关注交叉分辨率人脸识别，这种识别方法适用于在高分辨率的受控场景中收集大部分人脸图像，并且使用不受控制的姿势和照明条件的监控摄像机捕捉低分辨率人脸。这是一项具有挑战性的识别任务，它强烈依赖于良好的分辨率不变表示。
1）有监督的有差别的交叉分辨率学习：
说明：大多数现有的交叉分辨率匹配方法将学习统一的表示低分辨率和高分辨率人脸的空间。这需要在训练过程中仔细设计面对配对挖掘策略，这既费时又性能敏感。为了充分探索HR和LR域之间的内在联系，我们决定平等地涉及HR和LR人脸图像，希望学习一个共同的特征空间，能够在相同的主题内聚集LR和HR面部，以及尽管分辨率不同，但仍保持较低的班级间接近度。我们提出了一种基于[54]的方法，该方法采用了一种新的正则化术语来进一步强化来自同一主体的特征到集群，从而产生更好的区分特征。为了进一步稳定训练过程并减少模型在较小数据集上的过拟合，我们还使用L2正则化项。亏损实验和结果：在大多数先前的研究中，由于缺乏从野生高分辨率数据集（如Multi-PIE [9]和FERET [38]）收集的低分辨率图像，因此使用下采样的HR人脸图像来创建LR对应物。由于这种技术创建的合成LR图像与真实监控图像之间存在差异，因此该方法在应用于现实世界时存在局限性。两个实验协议定义如下：
封闭式人脸识别通常被视为一个分类问题，并且当采用深度学习方法时，标签可以直接从分类层预测。然而，当用于评估的主体没有出现在训练阶段时，分类体系结构往往会不够灵活。这个主题不相交的..和测试协议在现实生活中更实际。当个人出席系统时，开放式人脸识别需要1到N匹配。但是，它还要求系统正确拒绝没有..到系统数据库中的个人。这与大多数监视系统的工作原理非常相似。在场景中随机出现的个人可能或可能不在脸部数据库中。在这种情况下，如果该人员不在数据库中并正确识别该人员是否在数据库中，则系统必须正确拒绝该探针。
