本研究通过引入直接前馈机制和混合引导框架，以人物图像为重点，实现了保留主体身份的图像合成，旨在快速高效生成艺术肖像和身份融合图像，并在定性和定量评估中证明了方法在高保真度和效率方面的优越性。

Dec, 2023

通过 Dual-Pivot Tuning 方法进行个性化修复，从而在保持普遍先验和每个组件的独特角色完整性的同时，实现对给定个体的面部特征准确表达和重建。个性化先验不仅在身份准确性方面优于最先进的通用先验，而且在图像质量方面也表现出色。

Dec, 2023

本文提出利用个性化生成器进行面部复原的新方法，通过采用个性化的生成器，我们可以拍摄一个短且多样化的自我扫描视频以训练我们的生成器，并结合精心设计的潜在优化来确保图像保持身份，并展示我们的方法在面部复原方面具有最先进的性能，同时可以进行语义编辑和风格化处理。

Jul, 2023

该研究提出了一种将 3D 人脸先验知识与深度卷积神经网络相结合的人脸超分辨率方法。实验结果表明，所提出的方法在面部超分辨率方面取得了优异的效果。

Jul, 2020

本文提出了一种 IFRP 方法，结合了 SRN 和 DN 网络，通过 STN 自动矫正艺术肖像图像的定位问题，并使用 FaceNet 网络检测提取人脸特征，从而实现从不对齐的肖像中恢复出保留主体身份的高质量真实面部图像。

Apr, 2019

本研究探讨了利用预训练的稳定扩散（Stable Diffusion）来进行盲目人脸修复的潜力。我们提出了 BFRffusion，它经过精心设计，能够从低质量的人脸图像中有效提取特征，并能够利用预训练的稳定扩散生成逼真而忠实的面部细节。此外，我们构建了一个平衡了人种、性别和年龄等属性的隐私保护人脸数据集 PFHQ，该数据集可以作为训练盲目人脸修复方法的可行替代品，有效解决了与真实人脸数据集通常相关的隐私和偏见问题。通过一系列广泛的实验，我们证明了我们的 BFRffusion 在盲目人脸修复的合成和真实世界公共测试数据集上达到了最先进的性能水平，而我们的 PFHQ 数据集是训练盲目人脸修复网络的可用资源。 代码、预训练模型和数据集在此 https URL 上发布。

Dec, 2023

本文提出了一个基于 ID 保持的讲话头生成框架，改进了以往的方法，使用密集地标点实现精确的几何感知流场与自适应融合源身份，使用元学习方法实现快速个性化模型的快速适应，并且增加时空增强模块以提高细节和时序性，实验表明本文的方法在单次和个性化设置中均显著优于现有技术。

Dec, 2022

基于去噪扩散模型的迭代学习人脸修复系统（IDM）能够实现真实的人脸修复，具有优秀的性能，同时对图像生成任务也有帮助。

Jul, 2023

WaveFace 通过在频域中分别处理低频和高频成分，解决了扩散模型在时间和身份保留方面的问题，高频成分通过统一网络处理，从而在身份保留和效率方面超越现有的扩散模型基础的 BFR 方法。

Mar, 2024

使用大型文本到图像模型生成图像的能力已经引起了巨大的变革，但是对于特定独特或个人化的视觉概念，如您的宠物、屋内物品等，并不能被原始模型捕捉到。本文通过采用数据为中心的方法，提出了一种新颖的正则化数据集生成策略，旨在解决文本连贯性丧失和身份保留问题，进一步提高图像质量，并能生成符合输入文本提示的多样样本。实验证明，我们的数据为中心的方法在图像质量方面具有新的技术实力，在身份保留、多样性和文本对齐之间取得了最佳的平衡。

Nov, 2023