随着视频通信与社交媒体的飞速发展，人脸视频修复(Face Video Restoration，FVR)已成为热门研究方向，深度学习技术更是推动该领域取得了诸多重大突破。但迄今为止，尚无一篇综述能够系统性梳理基于深度学习的人脸视频修复算法。为弥补这一研究空白、助力后续相关研究，哈尔滨工业大学江俊君教授团队针对基于深度学习的人脸视频修复方法展开全面综述。首先，文章简要介绍人脸视频修复任务；其次，梳理该领域常用数据集、评价指标与损失函数；随后，依据不同退化类型对人脸视频修复任务进行分类，并从网络架构、时序建模策略、人脸细节增强三个维度，系统评述各类代表性算法；最后，探讨当前领域尚存的研究难点，并梳理未来潜在研究方向。本综述旨在为致力于推进人脸视频修复技术的科研人员与工程从业者提供极具参考价值的文献资料。相关成果已发表于《机器智能研究(英文)》2026年第3期。

图片来自Springer

全文下载：

Deep Learning-based Face Video Restoration Technique: A Survey

Chenyang Wang, Kangmeng Yu, Kui Jiang, Xianming Liu & Junjun Jiang

https://link.springer.com/article/10.1007/s11633-025-1623-x

https://www.mi-research.net/article/doi/10.1007/s11633-025-1623-x

全文导读

随着数字媒体技术飞速发展，视频内容在娱乐、教育、专业通讯等各类场景中愈发不可或缺。但受录制设备性能局限、存储介质老化损坏、传输过程数据丢失、恶劣拍摄环境等多重因素影响，视频画质常会受损。由此产生模糊、低分辨率、色彩失真等多种画质退化问题。这类画质损伤不仅会降低视觉观看体验，还会影响视频的实际使用效果，同时削弱视频信息的可信度与信息提取精度。

人脸作为视频内容中最为核心的视觉要素之一，在传递情感、解读画面语境方面起到关键作用。因此，人脸视频修复已然成为一项重要的研究课题，获得了学术界的广泛关注。

在人脸视频修复专用技术问世之前，业内主要采用两种主流方案修复低质量人脸视频。第一种方案是直接使用人脸图像修复算法对视频每一帧单独处理，再将处理完成的帧拼接得到修复后的完整视频。这种逐帧处理方案可复用效果优异的单张图像修复模型。现有部分研究 采用生成对抗网络与扩散模型生成真实自然的人脸纹理；另有研究构建字典 / 码本以引入高清先验信息；还有一类工作基于Transformer架构建模长距离依赖关系。多篇综述文献已对上述图像修复技术的原理与发展脉络进行了详尽梳理。

第二种方案采用通用视频修复模型，这类模型面向整体视频画面进行画质增强，并未针对人脸区域做专门优化。该领域代表性算法包含：基于循环传播结构的方法、基于显式 / 隐式运动补偿的方法，以及擅长捕捉长距离时空依赖的Transformer架构模型。文献已对各类通用视频修复方法展开完整综述。

然而将上述两种方案用于人脸视频修复时，均存在固有缺陷。采用人脸图像修复算法逐帧处理视频，往往无法保证时序一致性，会产生闪烁、人脸细节前后不统一、动作失真等影响观感的伪影；此外，人脸身份特征也难以稳定保留，关键人脸特征会在相邻帧间出现细微偏移。

反观通用视频修复模型，虽然原生设计可保障时序连贯，但缺少针对人脸的专用先验信息，修复出的人脸容易过度平滑、特征趋于大众化，无法保留人物独有的身份特征。

为克服上述缺陷，人脸视频修复应运而生，成为独立研究方向；该方向旨在同步解决人脸细节还原与时序不连贯两大问题。近年来，随着深度学习技术飞速发展，学界提出了大量人脸视频修复算法，其主干模型历经多代演变：从早期基于光流的短时融合方法，到能够捕获长距离时序信息的Transformer类模型。

当前最新算法同时融合时序建模策略与人脸细节增强模块，能够稳定处理人脸姿态变化、画面抖动、帧间闪烁等问题，还可精准还原眼部、嘴部等人脸精细特征。当下研究已呈现清晰趋势：构建面向视频序列的一体化框架，同步优化时序连贯性、视觉感知质量与人脸身份保真度。上述创新开启了人脸视频修复领域的全新阶段，通过联合优化时序建模、身份特征保留与精细细节增强，实现视觉真实、身份特征稳定一致的人脸视频修复效果。

尽管人脸视频修复领域已取得长足发展，但目前仍缺少能够系统梳理、介绍该技术发展脉络的全面综述。本文整合近年研究进展，结合现有方法实际应用场景与现存难题，对基于深度学习的人脸视频修复算法进行完整综述。基于该研究视角，本文展开深度探讨，以期为人脸视频修复领域的后续研究提供有价值的参考依据。

本文的主要贡献总结如下：

1) 本文首次专门针对基于深度学习的人脸视频修复(FVR)技术开展全面综述；

2) 从网络架构、时序建模策略、人脸细节增强策略三大核心维度，对现有所有人脸视频修复算法进行系统分类与归纳；

3) 深入剖析人脸视频修复领域当前存在的各类难题，并梳理具备发展潜力的未来研究方向。

本文全面梳理了基于深度学习的人脸视频修复方法近年来各方面研究进展。第 2 部分梳理人脸视频修复研究领域常用数据集、标准评价指标以及损失函数。第 3 部分对人脸视频修复任务进行类型划分，并从网络架构、时序建模策略、人脸细节增强策略三个维度综述现有修复算法。第 4 部分对各类人脸视频修复方法开展定性与定量对比实验分析。最后，第 5 部分探讨该领域现存难点并归纳具备发展前景的未来研究方向。本文综述整体分类框架如图 1 所示。

图1 本文人脸视频修复方法综述的分类体系

全文下载：

Deep Learning-based Face Video Restoration Technique: A Survey

Chenyang Wang, Kangmeng Yu, Kui Jiang, Xianming Liu & Junjun Jiang

https://link.springer.com/article/10.1007/s11633-025-1623-x

https://www.mi-research.net/article/doi/10.1007/s11633-025-1623-x

BibTex:

@Article {MIR-2025-07-389,

author={Chenyang Wang, Kangmeng Yu, Kui Jiang, Xianming Liu, Junjun Jiang},

journal={Machine Intelligence Research},

title={Deep Learning-based Face Video Restoration Technique: A Survey},

year={2026},

volume={23},

issue={3},

pages={545-564},

doi={10.1007/s11633-025-1623-x}}

特别感谢本文通讯作者、哈尔滨工业大学江俊君教授团队对以上内容的审阅和修改！

纸刊免费寄送

MIR为所有读者提供免费寄送纸刊服务，如您对本篇文章感兴趣，请点击下方链接填写收件地址，编辑部将尽快为您免费寄送纸版全文！

说明：如遇特殊原因无法寄达的，将推迟邮寄时间，咨询电话010-82544737

收件信息登记：

https://lcn76mgd97vz.feishu.cn/share/base/form/shrcnsQ6cmRjqoxPF5WDowSBFVr

支持单位：