随着数字成像设备的快速发展,图像是视觉信息的载体,在日常生活中扮演着重要的角色,有记忆、存储、分享视觉信息的作用。但是在其采集、分享、存储时,由于成像设备差、外界环境变化、采集方式不当等原因,不可避免地使图像发生不同程度的失真,导致视觉观感差,应用受限等问题。为打破图像应用的局限,图像复原技术被提出,旨在恢复低质量图像中高频信息。人脸盲复原作为图像复原的特例,在日常生活、工业生产中扮演着重要的角色,同时对后续人脸识别、人脸编辑等工作具有重大意义。近年来,因对抗生成网络具有生成逼真图像的能力,被广泛用于人脸图像复原任务中。基于人脸先验的盲复原任务可描述为低质量图像空间到高质量图像空间的映射,引入编码器来学习低质量图到隐空间的逆映射,预训练的对抗生成网络完成隐空间到高质量图像的映射。为保证图像的复原质量,先前的方法对隐空间进行一系列拓展,使编码器尽可能地拟合低质量图像,映射到准确的隐码空间。尽管取得了开创性的进展,提升了复原性能,但是仍然存在不足,例如GPEN方法在隐空间Z的基础上,引入噪声空间,极大改善了复原后人脸的纹理细节,但引入噪声太强,可能生成不准确的纹理信息,图像会趋于锐化;GFPGAN方法复原效果得到大家一致好评,但是由于低质量图像映射到隐空间不完全准确,可能发生改变人脸结构的现象,比如对于抿嘴的图像,复原出不是抿嘴的形状。总而言之,人脸盲复原任务仍存在改善的空间,本文从改善隐空间、采用局部特征拟合、增强侧脸复原三个角度进一步完善人脸盲复原性能。首先,基于预训练模型的人脸复原任务通过隐空间学习低质量图像空间到高质量图像空间的映射。隐码作为桥梁,需充分地表示低质量图像中的身份信息、特征信息,以在预训练模型的作用下复原得到高质量图像。为改善现有方法因映射不准确导致复原时发生结构变化等问题,本文基于Transformer方法提高了映射的准确度;提出采用同一张图像的不同退化隐码和高质量隐码作对比学习约束,进一步提高了映射的准确度,为改善复原结果的纹理、增强背景信息,在隐空间W+的基础上,使用噪声空间和P空间提升了复原质量。其次,在解决人脸盲复原问题上,现有方法将退化人脸图像逆映射到隐空间,当遇到退化严重的情况时,整体图像可能因为拟合困难,复原图像的结构发生变化,例如眼睛的大小、嘴巴开张等特征。为此,本文将整体人脸图像细分为显著性局部区域特征进行分别拟合,相比对整体图像拟合,这种方式由于局部特征包含结构信息少且更为精细,使得低质量图像映射更容易,一定程度上改善了复原质量。具体将人脸盲复原问题分解为局部区域特征的复原和整体人脸复原两个分支,首先使用Style GAN学习部位特征先验,然后将其作为生成器嵌入到图像复原模型中,完成部位图复原,得到高质量的部位复原图,最后复原整体人脸图像时,融合部位图复原的结果,输出最终的结果。最后,目前复原方法大部分采用基于数据驱动的深度学习方法,当测试数据与训练数据分布不一致时,预测结果不可避免地倾向于训练数据集分布,例如人脸复原方法面对侧脸低质量图像输入时,可能输出正脸,也可能得不到清晰的复原图。为此,本文首先改善数据集分布,不仅收集了真实的侧脸图像,还通过Inter Face GAN方法收集了较好的正脸隐码和侧脸隐码,及其对应的图像,使不同姿态的数据分布平衡。在方案设计上,通过门控网络灵活地处理不准确的侧脸隐码,即对其进行矫正操作。为了验证本文方法复原性能,与目前有特色且复原效果很好的方法DFDNet、PSFRGAN、GPEN、GFPGAN做了对比实验,使用退化模型生成低质量图像进行测试,采用量化指标PSNR、SSIM、LPIPS、FID评估复原结果,相比而言,本文方法的复原结果纹理细节丰富,噪声伪影比较少,复原前后结构更加一致。为了验证本文方法在真实低质量数据的鲁棒性,测试了真实的数据集,结果表明本文方法的复原效果优于其他方法,且具有更好的泛化性能。