人脸超分辨率重建是人脸图像研究领域的热点之一,虽然已经取得了较好的成果,但是对于输入图像分辨率极低,姿态变化大,含有大面积遮挡的条件设置,还是不能很好的进行重建。为了解决以上三个问题,本文提出了一种新的基于深度学习的超分辨率重建算法,主要内容如下:本文的超分辨率重建算法分为两步,首先利用一个低分辨率人脸图像修复网络对输入图像进行修复。由于低分辨率修复网络是采用编码-解码结构,且中间的特征层采用全连接方式进行连接,这将促进未知区域与已知区域有更强的信息交流,提升低分辨率图像修复效果。实验表明,引入低分辨率图像修复网络将大大降低整体问题的难度。紧接着采用一个上采样网络对被修复的低分辨率人脸图像进行上采样,得到高分辨率的完整的人脸图像。在上采样过程中,仅使用L2损失得到的图像较为光滑,为了提升生成图像的视觉效果,本文引入对抗损失。实验表明,对抗损失能有效改善图像光滑的效果,使得图像较为真实。虽然引入对抗损失,但是并没有考虑到人脸结构这一特殊的人脸先验信息。为了增强生成人脸的结构语义信息,本文提出一种新的语义约束——语义结构损失。该语义结构损失是由事先训练好的一个人脸关键点检测网络,针对生成图像和相应的真实图像所得到的人脸关键点做L2损失得来的。实验结果表明,由于生成的高分辨率人脸图像中加入人脸先验信息的约束,使得图像的视觉效果更加逼真。实验表明,本文的算法优于其它对比算法,且比第二名在PSNR值上高出0.44dB,在SSIM上高出10.5%。由于PSNR和SSIM不能客观的评判生成图像的视觉效果,本文采用人脸定位和人脸分割两种评判指标进一步评估生成图像的视觉效果。而且本文算法,不仅能够针对中间大面积遮挡的低分辨率图像有良好的超分辨率重建效果,对于随机的大面积遮挡同样也能得到不错的修复效果,证明本文算法具有较强的鲁棒性。