非制約な監視環境における顔画像検索は、ハイステークスな課題であり、対象人物を見逃すこと（単一の偽陰性）は絶対に許されません。現在の認識システムは、整備されたベンチマークではほぼ完璧な性能を示すものの、低解像度、モーションブラー、制御不能な照明（例：SCFace）などの現実世界のドメインシフトの下では機能しません。この信頼性のギャップに対処するため、我々は固定トップk検索から適応的セット生成へと移行し、ユーザー指定のリスクレベル（α）と信頼度（1-δ）内での真値包含を保証するRisk-Aware Facial Retrieval（RA-FR）フレームワークを提案します。
我々のアプローチは3つの中核的貢献を統合しています。まず、潜在一貫性モデル（InterLCM）とDiffBIRを組み合わせたハイブリッド型ブラインド顔復元技術により、偶然的不確実性を低減します。次に、自己教師ありDINOv1 ViT-BとGGeMプーリングを用いて、復元に対してロバストな識別的特徴を抽出します。最後に、ホフディング不等式を用いたコンフォーマル予測により、クエリの不確実性に基づいて検索セットサイズを動的に調整します。IMFDBベンチマークでは、平均約10画像の検索セットサイズで5%のリスク目標を一貫して満たします。
この研究は、ドメイン特化型復元、ロバストな表現学習、検証可能な決定ルールを統合し、監視における顔検索を信頼性が高く監査可能なものにするパイプラインを提供します。本フレームワークは第28回国際パターン認識会議（ICPR 2026）に採択され、コードはGitHubで公開されています。RA-FRは、固定出力セットからリスク制御可能な適応出力セットへの重要な転換を示し、実運用での信頼性を大幅に向上させます。