在非约束监控环境中进行人脸图像检索是一项高风险任务，因为漏检目标（即单个假阴性）是绝对不可接受的。尽管现有识别系统在精心设计的基准测试中表现近乎完美，但在实际应用中，由于低分辨率、运动模糊和光照不均等域偏移（例如SCFace数据集），它们常常失效。为了解决这一可靠性问题，研究人员提出了风险感知人脸检索（RA-FR）框架，该框架不再是传统的固定Top-k检索，而是采用自适应集生成，能够在用户指定的风险水平（α）和置信水平（1-δ）内保证真实目标的包含。
RA-FR框架集成了三个核心贡献。首先，通过结合潜在一致性模型（InterLCM）和DiffBIR的混合盲脸修复技术，有效降低了偶然不确定性。其次，利用自监督DINOv1 ViT-B模型和广义均值池化（GGeM）提取具有判别性且对修复鲁棒的特征。最后，采用基于霍夫丁不等式的保形预测方法，根据查询不确定性动态调整检索集大小。在IMFDB基准测试中，RA-FR始终能以平均约10张图像的检索集大小满足5%的风险目标。
这项工作不仅统一了领域特定的修复、鲁棒表示学习和可证明的决策规则，还提供了一个在监控环境下既可靠又可审计的人脸检索流程。该框架已被第28届国际模式识别大会（ICPR 2026）接收，相关代码已在GitHub上公开。RA-FR的提出标志着人脸检索从固定输出集向风险可控的自适应输出集的重要转变，为实际部署提供了更强的可靠性保障。