该研究提出了一种名为 RestoreFormer 的方法，通过完整的空间注意力来建模上下文信息，从而实现从未知降级中恢复高质量人脸图像，并超越了之前的工作。

Jan, 2022

本研究提出了一种新型的规模感知的盲目人脸修复模型，名为 FaceFormer，利用 Facial Feature Up-sampling 模块生成动态上采样滤波器以适应不同尺度的脸部输入，并借助于 facial feature embedding 模块利用 transformer 分层提取面部潜在多样性和稳健性，该方法在合成数据集训练得到的结果不仅具有高保真度和鲁棒性，还能泛化至自然低质量图像。

Jul, 2022

提出了一种基于 Transformer 的盲目人脸修复方法 BFRC; 该方法在处理长距离依赖关系方面较传统方法更有效，能够重建保留有身份特征的细节丰富的图像。

Feb, 2024

基于语义解析的时间相干转换器 (PGTFormer) 的盲视频人脸修复方法在保持时间相干性、生成无瑕疵结果方面表现出色，通过利用语义解析引导选取最优人脸先验生成具备时间相关性的结果，实验表明该方法优于之前的基线方法。

Apr, 2024

本研究针对盲目面部修复这一高度不适定问题，通过使用代码预测任务作为修复映射和生成高质量面部的方法，提出了一种名为 CodeFormer 的转换器预测网络，并设计了一个可控的特征转换模块，以增强方法对不同程度降解的适应性。实验结果表明，CodeFormer 在质量和保真度方面均优于现有技术，并对合成和真实情况下的数据集进行了全面验证验证了我们的方法的有效性。

Jun, 2022

本文提出了一种新方法 ——ReDegNet，它利用真实的低质量人脸图像及其恢复的高质量图像来建模复杂的实际降级过程，并且可以将其从脸部部位转移到自然图像中用于合成低质量图像，这可以用来显著改善非脸部区域的质量，实验证明本方法优于目前的许多方法。

Oct, 2022

我们探索了个性化人脸修复模型的潜力，通过使用扩散模型个性化恢复模型，保留细节的同时实现对身份的量身定制，通过使用独立的可训练模块以充分利用基础恢复模型的丰富先验信息，并通过引入生成规则器来避免模型依赖低质量图像中遗留的身份部分，我们展示了我们的方法在多个真实场景中对多个身份的鲁棒性能，并通过用户研究评估了生成细节的感知质量和忠实度，我们的方法被评为最佳的 61%。

Mar, 2024

本文提出了一种利用预训练人脸 GAN 中不同先验知识的 GFP-GAN 盲目人脸修复方法，其通过创新的通道分离空间特征变换层将生成式人脸先验纳入人脸修复过程，达到真实性和保真度之间的良好平衡。与 GAN 反演法相比，GFP-GAN 能够通过单个前向传递联合修复面部细节并增强颜色。大量实验表明，我们的方法在合成和实际数据集上比现有技术具有优越的性能。

Jan, 2021

使用深度学习方法，借助真实旧照片和大量合成照片对，提出一种新的三元域翻译网络，可以恢复多种损坏类型的旧照片。与现有方法相比，在视觉质量方面，所提出的方法表现更好。

Apr, 2020

我们提出了一种基于扩散先验的 VQGAN 结构，在学习完整的潜在嵌入分布的同时，迭代地从受损对应物恢复干净嵌入，结合身份恢复网络的输出对逆向扩散过程进行约束，以在潜在空间中实现知觉和保真度的分离，取得最佳性能。

Feb, 2024