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

提出了一种基于 Siamese 网络的生成对抗网络（SiGAN）来重建视觉上类似于其对应身份的高分辨率人脸，包括重建误差和身份标签信息，并在 SiGAN 的生成器对和鉴别器中迭代优化，实现了照片般逼真的面部重建和身份识别。实验结果表明，SiGAN 在客观面部验证性能上明显优于现有的人脸幻觉 GAN，并实现了照片般逼真的重建。此外，对于未包含在训练中的未知身份输入 LR 面孔，SiGAN 仍然可以做得很好。

Jul, 2018

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

本文提出了一种使用 Siamese 卷积神经网络的 3D 人脸重建方法，采用对比损失和恒等损失来保留身份特征信息和增加不同身份之间的距离，从而提高人脸识别的准确性。实验证明，在 300W-LP 和 AFLW2000-3D 等数据库上，相较于现有技术，该方法更加有效。

May, 2019

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

提出了一种基于卷积神经网络的增强人脸超分辨率重建方法，通过分离面部结构信息和纹理细节信息实现外部和内部注意力组合，增强了面部结构和细节真实性并提高人脸识别表现。

Oct, 2020

通过使用一个交叉注意力机制来合并身份、风格和语义特征生成尽可能与输入相似的人脸的 SIS 架构，不仅适用于保护身份，而且在面部识别对抗攻击中也是有效的。

Apr, 2024