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

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

本文提出了一种面部图像超分辨网络，该网络在低分辨率、大姿态、大光照变化等困难情况下，通过全局和局部约束的多层次特征提取和重建，通过对抗性损失函数进行优化，来实现面部图像重建和细节增强的目标，同时在控制和不受控制的实验环境下，与现有算法相比，在数量和视觉效果上均获得了显著的提高。

Mar, 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

该研究使用显著性图提出了一种新颖的、低成本的数据增强方法，借此在数据稀缺情况下改进少样本学习的性能，并且在公共数据集上实现了最新的技术水平。

Apr, 2019

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

在这篇论文中，我们介绍了一种基于在线强化学习的细粒度反馈方法（RLFH）来减轻大型语言模型在生成过程中产生的幻觉行为。通过将大模型的结果分解为原子事实，并提供语句级评估信号，RLFH 能够探索其内部知识的边界，并提供关于这些探索的在线、细粒度反馈。为了进行可靠的生成行为学习，RLFH 采用在线强化算法根据这些基于标记的奖励调整模型行为，以减轻幻觉现象。RLFH 还引入了一种基于大型语言模型的事实评估框架，可以在不需要人工干预的情况下验证原子事实的真实性和有用性。在 HotpotQA、SQuADv2 和传记基准测试上的实验显示，RLFH 可以平衡大型语言模型在生成过程中使用内部知识的程度，从而消除了幻觉行为。

Jun, 2024

该研究提出了一个统一的分辨率不变模型（RIM）来解决低分辨率人脸识别问题，其中包含面部幻觉子网络（FHN）和异构识别子网络（HRN）。FHN 是一个三路生成对抗网络（GAN），使用无监督跨域对抗训练策略将非常低的分辨率查询图像超分辨率到比其 8 倍大的图像，HRN 是一个泛用的卷积神经网络（CNN），用于具有提取判别性特征表示的残差知识蒸馏策略的异构人脸识别。

May, 2019

提出一种 Super-Identity 卷积神经网络（SICNN）用于人脸超分辨率生成任务，该方法能够恢复面部身份信息并克服动态域分歧问题，可以生成更加真实的面孔并显著提高超低分辨率人脸的可识别性。

Nov, 2018

利用幻觉增强吟诵（HAR）的对抗控制生成数据集方法，改进了大语言模型的归属度，提高了开放式问题回答的性能。

Nov, 2023