人脸图像是反映人的外貌和身份信息的重要载体之一,在社会生活的各个方面都有应用。受人脸成像过程中的各种外界因素影响,图像退化为低清的降质图像。本文以降质的人脸图像作为研究对象,在大尺度人脸超分辨率和小尺度人脸盲超分辨两个问题上,以深度生成先验和图像鉴别性先验为切入点,在无监督学习的理论框架下探讨人脸图像的超分辨率算法。主要工作如下:1.在大尺度的人脸图像超分辨率问题上,m GAN应用GAN Inversion理论在人脸超分辨率任务上,很难重建真实感强的人脸图像,本文设计了更鲁棒的人脸超分辨率方法m GAN+。一方面,通过对PGGAN中不同层的知识表征进行实验分析,发现不同层的语义层次偏向不同,因此将多重隐编码分组在不同层进行迭代优化,结合本文提出的耦合特征惩罚项,丰富了多重隐编码的语义信息,进而增强了重建人脸的真实感。另一方面,为保证重建后的人脸图像身份不发生改变,引入了Arc Face人脸识别损失对多重隐编码的语义信息进行约束,有效地保持了人脸图像的身份特征。在三个不同大小的超分因子下,通过实验验证了m GAN+相较于m GAN的优越性与鲁棒性。2.在小尺度的人脸图像盲超分辨问题上,基于深度生成先验的盲去模糊基线模型不足以解决复杂模糊下的人脸盲超分辨问题,鉴于图像鉴别性先验在传统图像复原问题上的出色表现,本文将鉴别性先验知识以损失函数的形式融入到图像的复原过程中,以图像先验结合深度先验的方式,共同驱动盲超分辨模型高质量地恢复人脸图像。具体地,本文从盲去模糊内生的需求出发,从偏微分方程的角度分析了一个好的鉴别性先验应该具有哪些特征,受Welsch/Leclerc损失的启发提出了新的鉴别性先验RDP-Lec。在人脸盲去模糊和盲超分辨两个任务上,通过实验验证了鉴别项先验对于无监督人脸盲超分模型的重要性。