在非約束監控環境中進行人臉影像檢索是一項高風險任務，因為漏檢目標（即單個假陰性）是絕對不可接受的。儘管現有識別系統在精心設計的基準測試中表現近乎完美，但在實際應用中，由於低解析度、運動模糊和光照不均等域偏移（例如SCFace資料集），它們常常失效。為了解決這一可靠性問題，研究人員提出了風險感知人臉檢索（RA-FR）框架，該框架不再是傳統的固定Top-k檢索，而是採用自適應集生成，能夠在使用者指定的風險水平（α）和置信水平（1-δ）內保證真實目標的包含。
RA-FR框架整合了三個核心貢獻。首先，透過結合潛在一致性模型（InterLCM）和DiffBIR的混合盲臉修復技術，有效降低了偶然不確定性。其次，利用自監督DINOv1 ViT-B模型和廣義均值池化（GGeM）提取具有判別性且對修復魯棒的特徵。最後，採用基於霍夫丁不等式的保形預測方法，根據查詢不確定性動態調整檢索集大小。在IMFDB基準測試中，RA-FR始終能以平均約10張影像的檢索集大小滿足5%的風險目標。
這項工作不僅統一了領域特定的修復、魯棒表示學習和可證明的決策規則，還提供了一個在監控環境下既可靠又可審計的人臉檢索流程。該框架已被第28屆國際模式識別大會（ICPR 2026）接收，相關程式碼已在GitHub上公開。RA-FR的提出標誌著人臉檢索從固定輸出集向風險可控的自適應輸出集的重要轉變，為實際部署提供了更強的可靠性保障。