技术特征：
1.一种结合3d脸部结构先验的人脸超分辨方法，其特征在于，包括以下步骤：（1）输入低分辨率图像，和对应的高分辨率图像作为真实值；（2）用步骤（1）输入的低分辨率图像与真实值来训练上半分支的resnet
‑
50网络；resnet
‑
50网络输出的是从低分辨率图像中学习的3d脸部信息，再重建成一个脸部渲染结构；通过损失函数迭代训练resnet
‑
50网络；（3）将步骤（2）得到的3d脸部信息及脸部渲染结构作为3d脸部结构先验；（4）用步骤（1）输入的低分辨率图像与真实值来训练下半分支网络，包括空间注意力机制网络和残差通道注意力机制网络；空间注意力机制网络的输入为低分辨率图像，输出的特征向量为残差通道注意力机制网络的输入；下半分支网络先用空间注意力机制结合3d脸部结构先验与特征向量，再使用残差通道注意力机制来在特征通道中挖掘最有用的信息；通过损失函数迭代训练下半分支网络；（5）将待恢复的低分辨率图像输入步骤（2）~（4）训练好的人脸超分辨模型中，得到对应的高分辨率图像。2.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，所述3d脸部信息包括身份、表情、纹理、亮度和脸部姿态特征。3.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，步骤（2）中，所述3d脸部信息参照morphable模型重建成脸部渲染结构。4.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，步骤（2）中的损失函数l
r
如下：其中，l为输入低分辨率图像的数量，j为低分辨率图像的索引；m表示脸部区域，i为像素点索引；a是基于肤色的注意力掩膜，a
i
代表注意力掩膜中的像素点i；i为真实值，i
ji
代表第j个低分辨率图像中像素点i的真实值；x代表输入的低分辨率图像，b(x)代表将x对应的3d脸部信息，r代表脸部渲染结构，r
ji
(b(x))代表第j个低分辨率图像生成的脸部渲染结构的像素点i。5.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，注意力掩膜a通过训练一个贝叶斯分类器得到。6.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，步骤（4）中，3d脸部结构先验输入空间注意力机制网络的空域特征转换层，学习得到一对调制参数，用于在空间上对空间注意力机制网络中的中间特征进行精细变换。7.如权利要求6所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，调制参数用于在空间上对空域特征转换层前一层的输出f进行如下精细变换：其中，sft为空域特征转换层对应的函数，代表逐元素相乘。8.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，步骤（4）中
的损失函数为均方差损失。9.如权利要求1所述结合3d脸部结构先验的人脸超分辨方法，其特征在于，步骤（3）具体为：将3d脸部信息通过特征转换生成与输入低分辨率图像一样大小的矩阵，并与脸部渲染结构级联连接后，再经过多个卷积层得到3d脸部结构先验。