该工作的提出源自人脸验证中的深度相似性度量学习：对倒数第二层特征和权重向量做归一化，会带来很稳定的性能提升，换一个数据集、目标函数或距离度量也有一样的观察。我们认为这个现象背后是有一定科学原因的，因而大胆做出假设，提出了角度空间才是问题的本质描述——如果不做归一化，相似性度量就应该在角度空间而不是欧式空间；如果做了归一化，那么在欧式空间做相似性度量没有关系。并且，申请人的工作是第一次设计了专用的归一化层，即将尺度层加入到损失函数层和内积层之间。当然，本质上这个工作并不限于人脸，而是用人脸验证来诠释，实际上也可以应用到重现识别、图像检索中，但我们还是将这个归一化理论命名为NormFace。借此申请人投在ACM Multimedia 2017上的长文的所有评审意见皆为接收，被录用为接收率不足10%的Spotlight口头报告。该文探讨了四个科学问题：1）为什么特征归一化对Softmax损失函数尤为奏效？2）为什么直接优化余弦相似度会导致Softmax损失函数不收敛？3）如果必须用Softmax损失函数，应该怎么优化？4）应该用什么其它的损失函数以及为什么？相应地，在文中我们 I）证明了一个命题来解释Softmax损失函数的特性；II）证明了Softmax损失函数的下界来解释优化余弦相似度的难度；III）提出使用scaled版本的Softmax损失函数；IV）通过引入一个agent的概念证明了一个命题来解释为什么使用contrastive和triplet损失函数就可以优化。这一系列命题的提出和证明，对于人脸识别领域的意义是给出了严谨的理论证明，启发了深度学习实践者们将各种在欧式空间的工具延用到角度空间，比如additive max-margin。NormFace被领域内的知名学者广泛引用，如美国工程院院士和ACM、IEEE、AAAS、IAPR会士Anil K. Jain，ACM、IEEE、AAAS、IAPR、AAAI会士Rama Chellappa等。例如，加拿大英属哥伦比亚大学的David Lowe教授在CVPR 2018上发表的Low-Shot Learning with Imprinted Weights里称他们的工作受到了我们提出的agent概念的启发（“Inspired by the used of embeddings as proxies or agents”）,从而沿用了scaled版本的损失函数（“we adapt a scaling factor in our model as discussed by [该文序号]”；英国帝国理工的Stefanos Zafeiriou教授在CVPR 2019上发表的Arcface里两次称他们的工作是跟随NormFace（“Following [该文序号]”）。百度搜索NormFace能得到近百条例如搜狐、腾讯、NextTech等媒体的报道或CSDN等技术博客的讲解; 甚至被直聘网作为人脸识别算法岗的招聘要求之一“熟悉常见的人脸识别框架，比如NormFace”。