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

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

本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法，通过引入对局部纹理的注意力网络，并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明，该方法不仅在感知结果上表现出色，而且在大角度人脸识别方面也优于现有的最新方法。

Apr, 2017

本研究提出了一种多尺度 GAN 模型，可以从单个面部遮罩中自动产生逼真的上下文（额头、头发、颈部、衣服）和背景像素，并使用一系列重建、知觉、对抗和保持身份的损失，使幻觉的完整面部图像具有照片般的真实性。与人脸修补算法不同，它可以为大量的缺失像素产生逼真的幻觉，已经在多个数据集上进行了广泛的实验，并与两种流行的人脸交换和人脸补全方法进行了比较。此外，我们分析了我们的级联管道，并将其与最近提出的逐渐增长的 GAN 进行了比较。

Nov, 2018

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

通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

Oct, 2021

本文提出了基于卷积神经网络的超分辨率解决方案，即 GWAInet，用于对由另一个未约束的高分辨率人脸图像引导的人脸图像进行 8x 超分辨率，该方法不需要面部关键点进行训练，具有很强的鲁棒性，并可以以均匀的方式产生周围面部区域的精细细节，其可生成具有照片般逼真的图像。

Jun, 2019

本研究提出了两种用于图像外推的方法，即使用上下文编码器和单图像生成模型，并演示了 GAN 在产生合理的外推结果方面的潜在能力。通过将幻想的细节与原始图像的风格相融合，以期进一步提高结果的质量，并可能支持任意输出分辨率。

Dec, 2019

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

本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

Jun, 2019