深度人脸修复：综述
计算机视觉与模式识别
2026-03-23 v3
摘要
人脸修复（FR）旨在从低质量（LQ）输入图像中恢复高质量（HQ）人脸，是低层计算机视觉领域中的特定图像复原问题。早期人脸修复方法主要利用统计先验与退化模型，难以满足实际应用场景需求。近年来，步入深度学习时代后，人脸修复取得巨大进展。然而，系统研究基于深度学习的人脸修复方法的工作甚少。为此，本文对深度学习人脸修复技术的最新进展进行全面综述。具体而言，我们首先总结不同问题表述并分析人脸图像特性；其次讨论人脸修复面临的挑战。针对这些挑战，我们全面回顾近期 FR 方法，包括基于先验的方法与深度学习方法。接着，我们探讨 FR 任务中发展的技术，涵盖网络架构、损失函数与基准数据集。我们还对代表性方法进行了系统基准评测。最后，我们讨论未来方向，包括网络设计、评价指标、基准数据集、应用等。我们还提供了所述所有方法的开源仓库，地址为 https://github.com/TaoWangzj/Awesome-Face-Restoration。
引用
@article{arxiv.2211.02831,
title = {Deep Face Restoration: A Survey},
author = {Tao Wang and Kaihao Zhang and Jiankang Deng and Tong Lu and Wei Liu and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:2211.02831},
year = {2026}
}
备注
Accepted by ACM Computing Surveys, 39 pages, 14 figures