提出一種成為MFR（Meta Face Recognition）的方法用於解決在未知域模型泛化的paper。如下圖所示，左邊為四個源域，右邊為5個目標域，通過將源域迭代划分成meta-train/meta-test集合可以提升模型的遷移性能，使得在未知域上也會能有較好的結果。
在真實應用中通常有兩種遷移場景： 1）目標域D_T已知並且可以拿到數據 ；2）目標域完全未知。對於第一種情況而言可以利用domain adaptation域適應的方法來解決。域適應中，常見的設置是源域D_S完全已知，目標域D_T有或無標簽。域適應方法試着將源域知識遷移到目標域。第二種場景可以視為domain generalization域泛化。這種更常見因為將模型應用到完全未知的領域，正因為沒有見過，所以沒有任何模型更新和微調。這種泛化問題就是一種開集問題，由於所需預測類別較多，所以比較頭疼。本文提出的元學習方法MFR：基於meta-optimazation優化來估計source/target域的漂移。優化模型來學習有效的人臉表征。在個過程不僅在合成源域也包括合成目標域。基於域的采樣策略來模擬域漂移。說白了就是將源域划分成meta-train/meta-test來模擬跨域的問題。優化的時候主要有三個loss：困難樣本對優化局部分布、分類損失來優化全局分布、域中心對齊（使不同的域分布相近）。
采樣方法：迭代。在一次迭代中，將N個源域划分成N-1個域用來訓練，另一個域用來測試。在訓練和測試域中，各自都隨機采樣B個id作為訓練數據。每個id只選2個臉，一個作為gallery，另一個作為probe。下圖很清楚：
分類和困難對損失就不說了，域對齊loss：
通過拉近不同域中心的距離，使得減少gap，學到更discriminative的特征。計算時，首先計算每個meta-train域的embedding中心，得到這些中心后計算均值c，然后令這些域中心都逼近c。
文中也提出了兩個benchmark：交叉face評估：GFR-R和較差面部多樣性：GFR-V。域之間的gap很大。