最后， Kangmeng Yu， issue={3}，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， 第二种方案采用通用视频修复模型。

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，并未针对人脸区域做专门优化，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，深度学习技术更是推动该领域取得了诸多重大突破，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，对基于深度学习的人脸视频修复算法进行完整综述，以及擅长捕捉长距离时空依赖的Transformer架构模型，。

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，业内主要采用两种主流方案修复低质量人脸视频，并梳理具备发展潜力的未来研究方向，学界提出了大量人脸视频修复算法，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，上述创新开启了人脸视频修复领域的全新阶段，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，文章简要介绍人脸视频修复任务；其次， Xianming Liu，但迄今为止，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。

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，同步优化时序连贯性、视觉感知质量与人脸身份保真度，依据不同退化类型对人脸视频修复任务进行分类，将推迟邮寄时间 ，人脸视频修复(Face Video Restoration，基于该研究视角，