综述
作者认为当前人脸识别相关研究没有考虑图像质量对识别结果的影响，通过实验确定模型在训练和预测中图像质量越相似的结果准确性越高，因此对训练集进行质量分类，并训练出不同质量的人脸检测识别模型和质量判断模型，根据质量判断结果将人脸放到对应的模型中进行识别，取得较好的识别结果。
提到的相关文献
图像质量评估综述文章： Luca Marchesotti and Rodrigue Nkoutche. Image quality assessment, 2012.
从视频中选取高质量图像检测关键点替换低质量帧： Mohammad A. Haque, Kamal Nasrollahi, and Thomas B. Moeslund. Quality-aware estimation of facial landmarks in video sequences. In Applications of Computer Vision, pages 678–685, 2015.
人为标注图像质量分数较主观，某些特殊的质量类别信息会丢失，不同的图像质量和视觉形象会有相同的分数；通过图像压缩判断、量化表、去伪影等方法需要设计手工特征提取额外信息。
当前检测识别中关于图像质量的处理可以分为两类：分析图像质量对人脸识别的影响程度、研究克服低质量图像的识别方法。本论文属于后一种方法，但由于训练了质量分类和不同质量检测识别模型，能适应质量属性未知的图像检测识别问题。
具体图像质量分类方法
针对jpeg格式压缩损失和低分辨率，分为高质量图像（G）、BJ、BL三类，BJ和BL又分为m、n个等级；然后用1号模型预测模型是G、BJ、BL中的那类，用2号模型预测分为BJ类的是哪一级，用3号模型预测分为BL类的是哪一级；针对不同的图像质量分别训练模型。
其中1、2、3号模型有相似的网络结构，输入部分是对图像随机截取157*157大小，损失函数是针对三个模型的加权。
实验情况
图像质量预测
从coco和megaface数据集中随机选取10000张图像进行jpeg压缩和下采样。用coco的数据选了网络，并用megaface数据集进行微调；压缩方法用{27,24,21,18,15,12,9,6,3,0}11个质量因子进行jpeg标准压缩；下采样尺寸也是11个{80x80、72x72、64x64、56x56、48x48、40x40、32x32、24x24、16x16、8x8}。
首先对图像的质量类型进行判断，将图像分为80%的训练集、20%的测试集，要求训练达到99.9%准确率。将设计的5层卷积网络和Alexnet、inception、VGG、Resnet相比较，本论文的网络能再花费较少时间情况下取得较高的分类准确度。
基于不同质量的人脸检测识别模型
使用aflw数据集（21997张图像，25993张人脸）训练人脸检测模型，用CASIA-Webface（10575个类别，494414张人脸）作为人脸识别数据集，均按照0.8:0.2分为训练集和测试集，并在第一个实验中被处理成定义的几个类别，第二个实验中将图像随机处理为某个等级的混合集。
第一个实验测试图像质量对模型的影响，设计了高质量训练低质量测试、相同质量的训练和测试、预测图像质量和混合输出三个对比项，结果表明本文提出的加权融合方法鲁棒性更好。
第二个实验测试该方法在实际使用中的有效性，将模型在高质量图像、混合数据集、目标数据集中进行训练，对结果进行加权融合，并在混合数据集上进行测试。实验结果表明，将模型通过对应的质量数据集进行训练，并使用前K个结果进行加权融合能提高识别准确度。