本研究使用深度卷积网络联合学习面部图像超分辨率重构和人脸识别任务，设计了一个端到端的深度卷积网络，其中重构子网络与识别子网络级联，后者使用散发器作为输入，优化两个损失项进行训练，并在 LFW 和 YTF 数据集上进行了广泛的评估。实验结果表明，相比传统的人脸识别模型，本方法在 4 倍下采样的 LFW 测试集上可以实现 97.95％的识别准确率，并在更具挑战性的 YTF 数据集上实现了 90.65％的识别准确率。

Nov, 2016

该论文提出了一种新的框架来幻想姿态不受限、分辨率非常低的面部图像，并在统一的框架内交替优化两个互补的任务，即面部幻象和密集对应场估计，并提出一种新的门控深度双向神经网络以恢复不同层次的纹理细节，广泛的实验证明这种表述方式在低分辨率、有显著姿势和光照变化的野外低分辨率面孔上具有例外的幻象质量。

Jul, 2016

本文提出了一种基于卷积神经网络和脸部识别模型的（深度）脸部成像模型，通过使用级联超分辨率网络并将人脸识别模型作为学习过程中的先验来实现从低分辨率输入到高分辨率输出的脸部图像重建，实验结果表明该方法优于现有方法。

May, 2018

本文提出了一种针对小输入低分辨率人脸图像的综合人脸幻象方法，该方法可将基于深度卷积神经网络的去噪先验注入到超分辨率优化模型中，同时通过多层邻域嵌入方法对面部图像进行分割并进行人脸幻象，以实现良好的超分辨率效果。

Jun, 2018

本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法，通过引入对局部纹理的注意力网络，并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明，该方法不仅在感知结果上表现出色，而且在大角度人脸识别方面也优于现有的最新方法。

Apr, 2017

本文提出了一种利用人脸专业知识恢复高质量人脸的有效算法，通过面部组件指导的深度卷积神经网络与基于演示的细节增强算法，在超分辨率和去模糊同时处理中增强了面部细节。

Nov, 2018

该研究提出了一种基于关注机制和强化学习的脸部超分辨率重建方法，其中利用长期回报关系同时训练了递归策略网络和局部增强网络，以利用全局依赖关系和人脸图像本身特征为不同图片适配最优搜索路径，相比已有方法在野外大姿态、大光照变化下显著提高了重建性能。

Aug, 2017

本文介绍了一种基于深度学习的脸部图像修复方法，通过两个阶段的处理，第一阶段采用 CNN 生成基础的面部组件，第二阶段合成高分辨率训练图片中的精细面部结构，实现面部图像的还原。实验证明，这种方法具有竞争力。

Aug, 2017

本论文旨在从低分辨率图像中重建人脸高分辨率图像。文章利用一组范例图像来引导神经网络以及基于像素产生权重生成模块来提高多个范例图像的信息量。得出的高分辨率图像不仅可用于标准的人脸超分辨率问题，而且还可用于微小的脸部编辑，且模型展示了良好的效果。

Sep, 2020

本研究提出了一种多尺度 GAN 模型，可以从单个面部遮罩中自动产生逼真的上下文（额头、头发、颈部、衣服）和背景像素，并使用一系列重建、知觉、对抗和保持身份的损失，使幻觉的完整面部图像具有照片般的真实性。与人脸修补算法不同，它可以为大量的缺失像素产生逼真的幻觉，已经在多个数据集上进行了广泛的实验，并与两种流行的人脸交换和人脸补全方法进行了比较。此外，我们分析了我们的级联管道，并将其与最近提出的逐渐增长的 GAN 进行了比较。

Nov, 2018