基于身份解耦与适配的个性化人脸超分辨率

近年来，人脸超分辨率（Face Super-Resolution, FSR）方法取得了显著进展，通常在标准设置下保持高图像保真度和身份一致性（Identity, ID）。然而，在极端退化场景（如放大因子 > 8{\times}）下，关键属性和 ID 信息常常在输入图像中严重丢失，使得常规模型难以重建真实且 ID 一致的人脸。现有方法倾向于在此类条件下生成幻觉人脸，导致恢复图像缺乏真实的 ID 约束。为此，我们提出一种新颖的 FSR 方法，具备 Identity Decoupling and Fitting（IDFSR），旨在大幅放大因子下增强 ID 恢复，同时缓解幻觉效应。我们的方法包含三个关键设计：1）**掩码**处理低分辨率（Low-Resolution, LR）图像中的人脸区域，以消除不可靠的 ID 线索；2）**错位**参考图像以与 LR 输入对齐，提供风格指导；3）利用从 ground truth（GT）图像中提取的 ID 嵌入进行精细的 ID 模型和个性化适应。我们首先预训练一个基于扩散的模型，以强制其使用风格和身份嵌入来重建被掩码的 LR 人脸区域，从而实现风格与 ID 的显式解耦。随后，我们冻结大部分网络参数，仅对 ID 嵌入进行轻量级微调，所需的目标 ID 图像数量极少。该嵌入编码了面部细节属性和精确的 ID 信息，显著提升了 ID 一致性和感知质量。广泛的定量评估和视觉比较表明，所提出的 IDFSR 在极端退化条件下显著优于现有方法，尤其在 ID 一致性方面表现卓越。