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

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

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

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

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

本研究提出了一种基于 CPGAN 的面部高清修复方法，通过利用内部 CPnet 提取低分辨率面部图片中的面部信息，外部 CPnet 来处理非统一的照明环境，使用新的照明补偿损失从外部导引照片中提取照明信息，该方法能够有效地产生高质量的面部图像。

Feb, 2020