人脸图像超分辨率旨在通过数值计算的方法,对获取的低分辨率、低质量人脸图像进行分辨率增强,从而有效改进人脸图像的视觉质量及其辨识性,在基于监控视频的人脸识别等领域具有重要应用价值。由于人脸图像具有高度结构化和特有的身份属性,人脸超分辨率如何恢复出含有精细细节且身份保留的人脸图像是极具挑战性的课题。近年来,基于深度学习的人脸超分辨率方法引起了极大关注,相对于传统方法展现了明显优势。为了补偿图像降质过程中丢失的高频面部信息,许多方法引入面部先验信息辅助高分辨率图像重建以获得大的性能提升。然而,采用面部先验的人脸超分辨率方法仍存在以下问题:1)多数方法直接从低分辨率、低质量的人脸图像或粗糙的人脸图像中预测先验信息,难以估计出准确的先验信息;2)面部先验信息估计和图像特征恢复通常被作为多任务学习问题在一个尺度因子上进行优化,当进行高倍放大时,面部组件的结构变化不能被完全捕捉和利用;3)许多方法仅在网络末端通过转置卷积或亚像素卷积层提升图像分辨率,这不仅会导致严重的混叠伪影,而且增加了训练难度。针对以上问题,本文首先围绕基于解析先验指导的高倍人脸超分辨率算法展开研究,通过利用渐进式重构策略和注意力机制以期望有效提取面部先验知识从而指导细节重建。此外,为进一步利用面部先验信息,结合反馈机制,研究了多阶特征循环增强的渐进高倍人脸超分辨率方法,改进深度超分辨率网络的重构图像质量。具体工作如下:1)提出了一种基于解析先验融合的渐进高倍人脸超分辨率方法。该方法在模型设计和网络训练上都引入渐进式思想。通过逐步执行2×上采样操作,在不同分辨率图像特征中预测先验信息并将其与对应分辨率图像特征融合,充分利用了面部先验信息,更好保存了面部组件结构。渐进式训练方法通过逐级向模型添加新的层,使网络训练难度大大降低,更稳定恢复出高质量面部图像。实验结果表明,提出的方法相较于现有超分辨率前沿算法,在CelebAMask-HQ和Helen数据集上的PSNR值分别提升0.57dB和0.4259dB,MS-SSIM值分别提升0.0044和0.0078。2)提出了一种多阶特征循环增强的渐进高倍人脸超分辨率方法。该方法在研究内容1的基础上,采用渐进式重构策略将人脸解析先验信息嵌入到不同分辨率的图像特征中,并结合反馈机制,将不同分辨率的图像特征通过反馈连接传递到下一次迭代并对当前输入进行调制,有效传递了高频信息流,更好保存了高频细节信息。相较于现有同类方法,提出方法在CelebAMask-HQ数据集上的PSNR值提升了0.3491dB。综上所述,本文在基于面部先验的人脸图像超分辨率重建算法基础上,针对如何有效预测先验知识、如何充分融合先验信息两个方面,提出了基于解析先验融合的渐进高倍人脸超分辨率方法和多阶特征循环增强的渐进高倍人脸超分辨率方法,为面向监控与手机相机场景的低质量人脸图像超分辨率重建提供了新的有效方案。