结合编解码和生成对抗网络是解决任意属性编辑问题的一种流行方案。然而，编解码器中的瓶颈层往往会导致编辑结果的低质量和模糊性。添加跳跃连接可以提高图像质量，但以削弱属性操作能力为代价。此外，现有的方法一般采用目标属性向量对目标域进行灵活的转换。在这项工作中，证明了选择性转移视角可以用来解决这些问题。提出了一种基于深度可训练人脸先验的关键点定位网络，该网络利用了几何先验，即人脸解析图和关键点热图。该网络可用于超低分辨率（LR）人脸图像，在任意属性编辑任务中不需要很好的对齐。
　　我们的模型有选择地将目标和源属性向量之间的差异作为输入，考虑到特定的编辑任务肯定只与更改的属性相关，而不是与所有的目标属性相关。此外，编码器-解码器结合选择性传输单元和先验评估网络，自适应地选择和修改编码器特征，增强属性编辑，获得超分辨率结果。实验表明，我们的方法（即SuperGAN）在提高属性操作精度和感知质量的同时，在任意人脸属性编辑中具有良好的抗干扰性能。
　　也就是说，不仅为了生成真实的人脸，而且生成超分辨率的真实人脸，提出了人脸超分辨率生成对抗网络（SuperGAN）。此外，在超分辨率方面，引入了两个相关的任务：人脸对齐和人脸解析、先验评估网络作为人脸SR的新的估计指标，解决了经典指标视觉感知的不一致性。大量的实验表明，SuperGAN在数量和质量上都明显优于现有的LR人脸SR技术，在属性编辑领域也能取得显著的效果。