通过卷积神经网络实现人脸超分辨率，使用面部分割和注意力机制保留面部特征，迭代地对高分辨率图片进行处理以达到更好的视觉效果和量化指标，达到了当前技术的最佳表现。

Oct, 2019

本文介绍了一种新型的神经网络模型：SubSpace Capsule Network (SCN)，它使用胶囊网络的思想来模拟实体的外观变化和属性，通过一组胶囊子空间实现，有效地解决了传统卷积神经网络无法获取不同部分之间空间关系层级的缺陷，并且在生成对抗网络（GAN）框架下的监督 / 半监督图像分类和高分辨率图像生成任务的实验中取得了明显的性能提升。

Feb, 2020

提出了一种基于多任务联合训练的级联卷积神经网络方法（MCFA），用于同时预测多个面部属性，该方法采用新颖的动态加权方案自动为每个面部属性分配损失权重，实现粗到细的联合训练，能够实现端到端优化。实验结果表明，该方法在 CelebA 和 LFWA 数据集上优于几种最先进的 FAC 方法。

May, 2018

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

本文提出了一种用于无监督人脸子部件 - 部分发现的分层解析胶囊网络 (HP-Capsule)，通过 Transformer-based Parsing Module（TPM）将子部分胶囊组装到部分级胶囊中来学习它们之间的组合关系，并将其应用于 BP4D 和 Multi-PIE 数据集上，证明了方法的有效性。

Mar, 2022

本论文提出了一种新颖的面部高清晰度恢复方法，采用了渐进式训练、面部注意力损失和压缩的人脸标注热图提取网络，实现了全面的面部特征恢复，使得图像更为逼真清晰，表现最好。

Aug, 2019

本篇论文介绍了一种基于 SPARNet 和 Face Attention Units（FAU）的空间注意力残差网络（SPARNet），能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明，该方法在多种度量标准上的表现优于当前最先进的方法，并能够对合成和真实世界低质量人脸图像进行有效泛化，不需要额外的人工标记数据。

Dec, 2020

使用深度学习技术构建人脸超分辨率网络 (FSRNet) 并结合 landmark 和 parsing map 实现对人脸低分辨率图像的高清重建，同时引入了对齐和解析等任务对传统指标进行补充，并开展了针对性的测试，显示出 FSRNet 和 FSRGAN 在超分辨率方面显著优于当前领先的技术。

Nov, 2017

本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

Aug, 2020

本研究提出了一种新型的深度多任务多标签卷积神经网络（DMM-CNN），通过联合优化面部地标检测和面部属性分类两个紧密相关的任务以利用多任务学习来提高面部属性分类的性能，并针对不同的学习复杂性将面部属性分为两组，为两组属性设计不同的网络架构，并提出一种新的动态加权方案来自动分配损失权重。此外，还开发了一种自适应阈值策略来有效地缓解多标签学习的类别不平衡问题。实验结果表明，与几种最先进的 FAC 方法相比，所提出的 DMM-CNN 方法在具有挑战性的 CelebA 和 LFWA 数据集上具有优越性。

Feb, 2020