基于空间自适应面部网格表征的人脸视频超分辨率重建技术研究

针对现有视频超分辨率方法在面部细节恢复和时序一致性上的不足，本研究提出了一种创新的面部网格表征方法，通过三角剖分构建面部特征表示，结合空间自适应可分离卷积核实现跨帧对齐。实验表明，该方法在CelebV-HQ和VFHQ数据集上较基线模型PSNR提升1.01%、SSIM提升0.45%，LPIPS降低21.15%，显著提升了低质量人脸视频的细节还原能力。

　　

在数字影像修复和安防监控领域，低分辨率人脸视频的增强一直面临重大挑战。传统方法如HiFaceGAN和GFP-GAN虽能提升单帧图像质量，却难以保持视频序列中的面部姿态一致性；而基于光流的方法（如HO-FVSR）又因背景干扰导致面部细节恢复不佳。针对这些痛点，研究人员创新性地将人脸分解为三角网格，构建了能精准捕捉面部轮廓和姿态变化的时空表征体系。

这项研究通过两个核心技术突破现有局限：首先，利用面部标志点生成动态三角网格，有效隔离冗余背景干扰；其次，设计空间自适应可分离卷积核（Spatially Adaptive Separable Convolution Kernel），根据相邻帧网格对应关系实现精准特征对齐。在CelebV-HQ和VFHQ数据集上的实验验证了其优越性——该方法不仅恢复了整体面部清晰度，更在眼睛注视方向、微表情等细节还原上表现突出。

关键技术路线包含：1）从连续N帧提取面部标志点构建动态网格；2）采用可分离卷积核实现跨帧特征对齐；3）双向传播融合策略生成高分辨率输出。研究团队特别设计了2×/4×/8×三种Bicubic降采样方案进行系统验证。

研究结果部分显示：
Abstract 证实该方法通过面部网格表征和自适应对齐机制，在定量指标（PSNR+1.01%）和视觉质量上均超越现有技术。
Introduction 指出传统CNN和光流方法难以捕捉面部细微运动，而全局处理会导致背景特征干扰。
Methods 详述了如何通过三角网格映射消除背景噪声，并利用可分离卷积核实现姿态自适应对齐。
Datasets and Settings 表明在5,000组训练数据（含3帧/组）上，该方法对多种降采样尺度均具鲁棒性。

结论部分强调，该研究首次将面部网格表征引入视频超分辨率领域，其空间自适应机制为复杂姿态下的细节恢复提供了新思路。相比EDVR等通用视频增强方法，该方案在面部特异性处理上展现出明显优势，为历史影像修复和智能监控等场景提供了更专业的技术支撑。论文成果发表于《Expert Systems with Applications》，相关代码已开源以促进领域发展。