一篇被 WACV 2027 接收的论文对大规模人脸识别训练数据进行了受控审计，结果表明，即使是被广泛使用、经过多轮清洗的 MS1MV3 数据集，仍然存在多类训练数据缺陷，而不同类型缺陷的修正对模型训练的影响差异显著。该论文题为《Different Defects, Different Effects: A Controlled Audit of Face Recognition Training Data》（不同的缺陷，不同的影响：人脸识别训练数据的受控审计），作者为 Ana Dias 及另外三位合作者，于 2026 年 10 月 20 日提交至 arXiv，编号 arXiv:2610.28766，属于计算机视觉与模式识别（cs.CV）类别。
论文指出，人脸识别技术的发展在很大程度上依赖于大规模训练数据集的可得性。其中，MS-Celeb-1M 发挥了重要作用，它提供了来自近 10 万个身份的数百万张人脸图像。然而，这类数据集的规模与异质性也提高了标注错误、冗余样本以及其他形式数据不一致出现的可能性。正是出于这一原因，研究者引入了 MS1MV2 和 MS1MV3 等精炼版本，目标是提升训练数据的质量。
但论文显示，尽管经过了这些清洗工作，MS1MV3 中仍然残留若干类型的训练数据缺陷。作者提出了互补的数据审计策略，并据此识别出五个缺陷类别：完全重复与近重复图像、身份被拆分（split identities）、裁剪错误、多脸歧义，以及无效内容。
在识别出缺陷之后，研究团队在一个受控的人脸识别训练协议下评估了修正这些缺陷所带来的影响，该协议基于 IResNet-50 骨干网络与 ArcFace 损失函数。结果显示，有针对性的干预措施能够保持识别性能，在某些情况下甚至能够提升性能，同时达到原始训练集性能所需的优化步数更少。其中，去除重复样本带来了最明显的整体收益；而合并被拆分的身份以及移除无效内容同样提升了训练效率。
论文总体结论认为，数据集清洗的效果在很大程度上取决于所针对的缺陷类型，这进一步说明训练数据质量仍然是大规模人脸识别中一个重要且相对研究不足的因素。作者还表示，本工作所使用的训练清单（training manifests）与代码将在论文被接收后发布。
从时间线看，该论文于 2026 年 10 月 20 日 18:04:27 UTC 提交第一版（v1），全文约 1792 KB，DOI 为 https://doi.org/10.48550/arXiv.2610.28766，由 DataCite 发放（注册待完成）。论文已被 WACV 2027 接收。需要注意的是，摘要中所述结论均建立在作者设定的受控训练协议与审计方法之上，具体性能变化幅度需参阅论文全文；训练清单与代码的公开也以正式接收为前提。