在计算机视觉领域,近年来有一类被称为人脸正面化的任务受到了广泛关注。人脸正面化问题定义如下:给出侧脸的图片,通过某种手段获得对应的正脸图片。这项工作在许多领域,例如:提高人脸识别准确率、嫌疑人画像生成等。目前大部分人脸正面化方法都仅能使用包含侧脸-正脸对的有标注图像数据集（通常来自Multi-PIE数据集）进行训练。这样的数据集构成,导致训练出的模型缺乏在不受控环境下的通用性。与此同时,另一类在非受控环境下收集的非配对人脸数据集虽能提供大量数据,但这些数据却因没有配对,所以难以利用。为了解决上述问题,本文通过分析人脸正面化领域优秀算法之一双通道生成对抗网络TP-GAN的思想,针对其双通道结构复杂、需要额外输入关键点、仅能执行侧脸转正任务的缺点,提出了一种多姿态人脸生成对抗网络,该方法通过调整生成器结构、加入捷径链接、引入额外专家网络等改进,实现了多姿态人脸生成。多姿态人脸生成对抗网络的的主要特点是结构简单、占用资源少,仅使用一个结构上完全一致的生成器便可完成正脸转侧脸和侧脸转正脸任务,并在一些评估指标上达到了和TP-GAN类似的性能。利用该网络结构简单,能生成任意姿态人脸图片的的特性,我们又提出了一种半监督的人脸正面化框架,该框架能同时利用受控环境下收集的配对数据和非受控环境下收集的非配对数据进行训练,解决当前人脸正面化方法在非受控环境下收集的数据集上泛能力不佳的问题,进—步提升网络性能。我们将该方法命名为基于回路一致性的人脸正面化生成对抗网络CCFF-GAN由两部分组成,监督部分和无监督部分,二者共同协作完成训练。对于监督部分,CCFF-GAN利用受控环境下收集的配对数据使网络学习到一个基础的人脸姿态转换映射;对于无监督部分,CCFF-GAN则使用了创新的感知周期损失函数,使网络能有效利用非受控环境下收集的非配对数据进行训练。本文提出的多姿态人脸生成对抗网络和基于回路一致性的人脸正面化生成对抗网络具备为首次提出,且在广泛实验中取得了业内最佳成绩,体现了本文算法的优越性。