提出一种成为MFR（Meta Face Recognition）的方法用于解决在未知域模型泛化的paper。如下图所示，左边为四个源域，右边为5个目标域，通过将源域迭代划分成meta-train/meta-test集合可以提升模型的迁移性能，使得在未知域上也会能有较好的结果。
在真实应用中通常有两种迁移场景： 1）目标域D_T已知并且可以拿到数据 ；2）目标域完全未知。对于第一种情况而言可以利用domain adaptation域适应的方法来解决。域适应中，常见的设置是源域D_S完全已知，目标域D_T有或无标签。域适应方法试着将源域知识迁移到目标域。第二种场景可以视为domain generalization域泛化。这种更常见因为将模型应用到完全未知的领域，正因为没有见过，所以没有任何模型更新和微调。这种泛化问题就是一种开集问题，由于所需预测类别较多，所以比较头疼。本文提出的元学习方法MFR：基于meta-optimazation优化来估计source/target域的漂移。优化模型来学习有效的人脸表征。在个过程不仅在合成源域也包括合成目标域。基于域的采样策略来模拟域漂移。说白了就是将源域划分成meta-train/meta-test来模拟跨域的问题。优化的时候主要有三个loss：困难样本对优化局部分布、分类损失来优化全局分布、域中心对齐（使不同的域分布相近）。
采样方法：迭代。在一次迭代中，将N个源域划分成N-1个域用来训练，另一个域用来测试。在训练和测试域中，各自都随机采样B个id作为训练数据。每个id只选2个脸，一个作为gallery，另一个作为probe。下图很清楚：
分类和困难对损失就不说了，域对齐loss：
通过拉近不同域中心的距离，使得减少gap，学到更discriminative的特征。计算时，首先计算每个meta-train域的embedding中心，得到这些中心后计算均值c，然后令这些域中心都逼近c。
文中也提出了两个benchmark：交叉face评估：GFR-R和较差面部多样性：GFR-V。域之间的gap很大。