🪪 AegisID · 人臉唯一性報告 · Apache-2.0 可商用模型

人臉唯一性實測數據

AuraFace FP16（ResNet100 · ArcFace）· YuNet 五點對齊 · cosine 比對 · 2026-05-22
資料：FEI 200 人受控正面 + LFW 4,108 位名人大規模撞臉

一句話：用可商用的 AuraFace，同一人（受控正面）100% 認得回（FRR 0% @ 門檻 0.40）， 4,108 個不同人裡撞臉極少。embedding 只是一串數字（無照片）→ 能比「是否同一人」，無法反推「是誰」。

// METHOD

做法

對齊後的臉 112×112 → AuraFace（ResNet100 + ArcFace 角 margin loss，可商用資料訓練） → 512 維向量 → L2 正規化 → 兩臉比 cosine。 與 InsightFace 同演算法、同對齊，差別只在訓練資料（所以可商用、準度略低一階）。embedding 永遠用 cosine 比對，不是固定 hash。

// PART A · FEI

FEI 200 人受控正面 — 我們的真實場景

FEI 正面 pose（中性／微笑），≈ 使用者乖乖對前鏡頭掃臉的品質。同人 1,128 組、不同人 19,900 組（全配對）。

0%
同人被拒 FRR（門檻 0.40）
0.83
同人平均 cosine（最低 0.44）
19,900
不同人配對（全配對）
門檻FRR 同人被拒FAR 撞臉（扣資料集標錯）
0.350/1,128（0.00%）113/19,900（0.5678%）
0.400/1,128（0.00%）29/19,900（0.1457%）
0.452/1,128（0.18%）7/19,900（0.0352%）
0.504/1,128（0.35%）1/19,900（0.0050%）

門檻 0.40：同一人 100% 認得回（0% 被拒）；不同人撞臉極少。這就是真實使用情境（受控正面）的表現。

模型反過來抓出 FEI 自己標錯的人

所有不同人對裡，相似度最高的一對是 #2 ↔ #71（cosine 0.880）。看圖就知道是同一個人 —— FEI 把同一人標成兩個編號。AuraFace 正確判定他們是同一人 —— 這正是唯一 ID 要的行為，也證明模型判別力健康。

同一人（正常）

#1 · cosine 0.874
FEI 標成兩個人（其實同一人）

#2 ↔ #71 · cosine 0.880
// PART B · LFW

LFW 4,108 位名人 — 大規模撞臉

真實名人照片，挑正面。同人 2,211 組、不同人 8,435,778 組全配對（非抽樣）。

配對數平均 cosine極端值
同一人2,2110.595最低 -0.011
不同人8,435,7780.063最高 1.000（含資料集重複）
門檻FAR 撞臉（扣資料集標錯）FRR 同人被拒
0.351,232（+2 標錯）/8,435,778（0.01460%）91/2,211（4.12%）
0.40200（+2 標錯）/8,435,778（0.00237%）156/2,211（7.06%）
0.4550（+2 標錯）/8,435,778（0.00059%）290/2,211（13.12%）
0.5024（+2 標錯）/8,435,778（0.00028%）463/2,211（20.94%）

4,108 個不同人、8,435,778 組全配對，門檻 0.40 撞臉率僅 200/8,435,778。LFW 同人是不同年代野照（壓力測試），FRR 比受控正面（PART A）高屬正常。

LFW 最像的兩個「不同人」

Bart_Hendricks ↔ Ricky_Ray · cosine 1.000
（cosine≈1.0 多為 LFW 重複照片／標錯）
// PRIVACY

隱私：知道同一人，不知道是誰

存的是 512 個數字（無照片）。✅ 能比「是不是同一人」（防多開、信用綁人）；❌ 無法反推「長相、是誰」。

// HONEST LIMITS

限制（誠實說）

  • ① embedding 非固定 hash，永遠 cosine 比對
  • ② AuraFace 比 InsightFace 弱一階（資料量小）—— 大規模撞臉略多，靠門檻 + PIN + 活體兜底
  • ③ AuraFace 自承族裔偏差（訓練資料覆蓋不足）→ 上線前要拿目標族裔臉實測
  • ④ 百萬級 1:N 無辜誤擋會上升 → 改旗標 + 二次驗證

模型 AuraFace FP16（Apache-2.0）；對齊 YuNet 5 點；FEI 200 + LFW 4,108 人。

← 回 AegisTalk 產品頁