本文提出了一种协作式对抗学习算法 (collaborative GAN，简称 collaGAN)，结合面部完成 (face completion)、地标检测 (landmark detection) 和语义分割 (semantic segmentation) 等多项任务，以明确和增强语义知识，优化面部完成任务。大量实验证明该算法产生了卓越的性能表现，优于其他生成图像修复模型和单项任务学习方法。

Dec, 2018

本文采用深度学习的方法，利用生成式对抗网络 (GANs) 在高分辨率下控制多种属性（如男性和微笑）来完成高分辨率下具有多种属性控制的面部图像。

Jan, 2018

本文提出了一种基于面部几何特征的面部完成和编辑网络（FCENet），通过从未误差处理的人脸区域分析面部几何结构，采用编码器 - 解码器结构和低秩正则化项进行脸部图像的自动修复和编辑。

Sep, 2018

语义修复，图像完成，图像增强，生成对抗网络 (GAN)，图像质量。

Jul, 2023

本文探究面部完整性对面部识别的影响，提出了一种基于卷积算子和门控机制的面部完整性编码器 - 解码器，并对真实的遮挡情况进行了分析和实验验证，证明了面部完整性可以部分恢复面部信息从而提高机器视觉系统的面部识别准确率。

Jun, 2019

本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

Nov, 2019

本研究提出了一种基于深度学习的面部修复方法，能够在大面积遮挡的情况下实现多角度视角的面部完成重构，并保持面部的身份特征。与传统的面部修复方法不同，该方法基于生成网络，具有特定的约束条件，能够合成具有一致身份特征的连贯面部图像，拥有更好的稳定性和合成技巧。

Jul, 2018

FaceCom 是一种基于网格生成网络的 3D 人脸形状补全方法，能够高精度地处理任意形式的不完整人脸输入。该方法通过图像修复指导，使用优化方法适应不完整的人脸输入，进一步通过后处理步骤提高补全结果的质量。FaceCom 在医学义肢制造和不完整扫描数据的注册中具有良好的应用潜力，实验证明其在适应性和形状补全任务上具有出色的性能。

Jun, 2024

本文提出了基于联合解缠缚和聚合过程的生成对抗网络（DF-GAN）来实现受结构遮挡的面部完成，并采用编码器 - 解码器结构，能够通过修改潜在表示来模拟结构遮挡。在四个 Meshface 数据库上的实验结果表明了我们提出方法的有效性。

Dec, 2017

这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法，能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验，证明了该方法的多样性和质量。

Mar, 2020