本文提出了一种通过深度卷积神经网络 (CNN) 利用语义线索来实现有效和高效的人脸去模糊算法。该算法通过全局语义先验作为输入，并在多尺度深度 CNN 中施加局部结构损失来规范输出，以训练具有感知和对抗性损失的神经网络，生成逼真的人脸去模糊结果，评估表明该算法在人脸去模糊的质量、人脸识别和执行速度方面表现良好。

Mar, 2018

本文提出了一种基于领域特定的方法来解决人脸去模糊问题，使用深度网络和人脸对齐来处理每张图片，并采用了有效的方法生成了超过 2 百万帧的数据集，实验显示该方法在真实世界的人脸去模糊任务中取得了接近于高清自然图片的效果。

Apr, 2017

本文提出了一种使用深度卷积神经网络通过利用语义线索进行有效高效人脸去模糊的算法。该算法利用面部语义标签作为输入信息，并提出一种自适应结构损失来规范面部局部结构。实验结果表明，该方法在还原质量、人脸识别和执行速度方面的表现优于最先进的方法。

Jan, 2020

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样本数据集的去模糊算法以及卷积神经网络恢复模糊图像中的清晰边缘进行去模糊处理，实验表明该算法对于人脸图像去模糊非常有效，并且可以用于其他物体类别。

May, 2018

本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题，通过反映物理成像过程，我们提出了一个成本最小化问题，并使用交替优化技术来解决它，实验结果表明，我们的提出方法在合成和现实视频中均得到高质量的深度图，同时还产生了优秀的去模糊和超分辨率图像。

Sep, 2017

我们提出了一种快速有效的一步恢复模糊人脸图像的方法，该方法基于卷积神经网络，可以处理各种大小的人脸图像，加入了光滑正则化和面部正则化来保持面部身份信息，取得了最先进的效果和提高了 100 倍的运行速度，并在人脸识别精度上有显著提高。

Nov, 2017

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

本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

Jul, 2018

本文介绍了一种使用卷积神经网络构建面部几何细节的方法，包括由粗到细的两个网络模块和多阶段的训练阶段，可以从单张图像中提取面部表面。

Nov, 2016