深度多帧人脸超分辨率
本文通过神经网络模拟超分辨率框架，可以实现将低成本、实时物理模拟产生的面部表现有效、逼真地提升到接近高分辨率（我们例子中元素数量高出 26 倍）的参考质量，同时补偿了实时模拟的限制和成本削减近似的建模差异，不需要提供任何语义描述符或参数，除了实时模拟的结果。
May, 2023
提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型，用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace，与现有的基准数据集相比，TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。
Nov, 2018
提出了一种基于循环的视频超分辨率方法，该方法有效地利用了前一帧的信息来超分辨率当前帧，包括两个流结构 - 细节块和隐状态适应模块，并在基准数据集上优于最先进的方法。
Aug, 2020
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
提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统，包括人脸 / 标志检测、人脸关联和人脸识别等模块，特别是针对多镜头视频设计了精心的人脸关联方法，采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸，广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸，并有效地学习到具有鲁棒性和区分性的特征用于识别。
Dec, 2018
本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架，该框架包括一组卷积神经网络和三层堆叠自动编码器，使用公开可用的数据集训练，取得了超过 99％的人脸识别率。
Sep, 2015
提出了一种使用统一框架进行人脸图像超分辨率的算法，该算法采用三个自编码器、一个特征权重回归器和一个最终的图像解码器作为神经网络结构，可以对多种不同低分辨率的输入图像进行超分辨率处理，实现了领先水平的性能表现。
Jun, 2023
本文提出一种联合对齐和超分辨率网络，通过共享深度编码器提取特征，实现同时检测面部标记和超分辨率。实验证明，该模型在检测微小面部标记和超分辨率方面优于现有方法。
Nov, 2019
为解决深度人脸检测在低分辨率人脸检测中的性能问题，本文提出了一种新的高效检测器 EfficientSRFace，引入了特征级超分辨率重建网络，并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。
Jun, 2023