研究动机现有的基于深度学习的盲人脸修复方法存在两个局限性：常规方法是从大量预先收集的图像对中学习一个LQ到HQ的映射，在大多数情况下，这些图像对是通过假设一个经常偏离真实模型的退化模型来合成的。当面对训练数据中没有的复杂退化时，性能急剧下降。设计了各种约束来提高恢复质量，如此多的约束使得训练变得不必要的复杂，往往需要大量的超参数调优来在这些约束之间进行权衡。生成对抗模型的不稳定性使得训练更具挑战性。本文贡献设计了一种新的基于扩散模型的BFR方法来应对严重和未知的退化。将后验分布建模为从LQ图像开始，并以期望的HQ图像结束的马尔科夫链。马尔科夫链可将预测误差压缩。我们证明，在预训练的扩散模型中捕