چکیده: بازسازی جزئیات چهره از تصاویر آسیب‌دیده همچنان یکی از چالش‌های اساسی در حوزه بینایی ماشین به شمار می‌رود و پیامدهای مهمی برای زمینه‌هایی همچون نظارت، پزشکی قانونی دیجیتال و کاربردهای چندرسانه‌ای دارد. اگرچه روش‌های مبتنی بر یادگیری عمیق سنتی نتایج امیدوارکننده‌ای در بازسازی تصاویر ارائه کرده‌اند، اما اغلب با محدودیت‌هایی نظیر ناتوانی در بازیابی ویژگی‌های پیچیده چهره، تعمیم‌پذیری ناکافی در مواجهه با انواع مختلف تخریب تصویر و ناتوانی در حفظ کیفیت ادراکی و ویژگی‌های منحصربه‌فرد هویتی چهره روبه‌رو هستند. به منظور رفع این کاستی‌ها، این پژوهش یک چارچوب بازسازی بهبود‌یافته معرفی می‌کند که با بهره‌گیری از معماری‌های تولیدی پیشرفته شبکه‌ی مولد تخاصمی، شامل GFP-GAN و ESR-GAN، توانایی هر دو مدل را در استخراج ویژگی و حفظ کیفیت ادراکی به صورت هم‌افزا به کار می‌گیرد. در روش پیشنهادی، ترکیب خطای ادراکی با معیارهای بازسازی کلاسیک به منظور ایجاد توازن میان دقت ساختاری و اصالت ادراکی به کار رفته است. این رویکرد دوگانه به مدل امکان می‌دهد نه‌تنها جزئیات دقیق در سطح پیکسل، بلکه ویژگی‌های معنایی سطح‌بالا که برای حفظ هویت و بیان چهره ضروری‌اند را نیز بازسازی کند. برای آموزش و ارزیابی مدل از مجموعه‌داده CelebA به‌عنوان یکی از شناخته‌شده‌ترین مجموعه‌داده‌های چهره استفاده شد. همچنین به‌منظور ارزیابی عملکرد مدل در شرایط واقعی، مجموعه‌ای از تصاویر چهره افراد مختلف از میان اطرافیان گردآوری و مورد استفاده قرار گرفت. برای ارزیابی عملکرد، مجموعه‌داده‌ای شامل تصاویر چهره تحت انواع تخریب سیستماتیک تهیه شد. این تخریب‌ها شامل اعمال نویز گوسی به‌منظور شبیه‌سازی نقص‌های حسگر و آثار فشرده‌سازی، اعمال تاری گوسی برای تقلید اثرات حرکت و عدم فوکوس، و ایجاد شرایط نور کم از طریق اصلاح گاما و کاهش کنتراست است. این پروتکل جامع تخریب، امکان ارزیابی دقیق و واقع‌گرایانه مدل را در شرایطی که در کاربردهای عملی رخ می‌دهند فراهم می‌کند. نتایج حاصل از ارزیابی‌های تجربی، برتری چارچوب پیشنهادی را در معیارهای کمی و کیفی معتبر نشان می‌دهد. بهبود قابل توجه در نسبت سیگنال به نویز اوج (PSNR) و شاخص شباهت ساختاری (SSIM) بیانگر افزایش دقت بازسازی پیکسل‌محور و حفظ ساختار تصویر است. همچنین، افزایش امتیاز LPIPS کیفیت ادراکی برتر و نزدیک‌تر به واقعیت را تأیید می‌کند. تحلیل‌های آماری انجام‌شده بر طیف گسترده‌ای از نمونه‌ها، استحکام و تعمیم‌پذیری روش پیشنهادی را در مواجهه با شرایط مختلف تخریب، از جمله محیط‌های کم‌نور و تصاویر دارای نویز شدید، اثبات می‌کند. این نتایج، ظرفیت بالای رویکرد ارائه‌شده را برای کاربردهای واقعی و پیاده‌سازی عملی به نمایش می‌گذارد