1.一种人脸超分辨率重建方法，其特征在于，包括以下步骤：S1、输入低光照、低分辨率人脸图像 ，经过卷积操作提取出特征图 ，对特征图进行亮度调整，获得调整之后的特征图 ；

S2、更新 和 ，并对更新后的 和 进行卷积操作，获得亮度增强的低分辨率人脸图像；

S3、对所述低分辨率人脸图像依次进行N倍下采样操作和卷积操作，提取所述低分辨率人脸图像的第一人脸特征图，利用第一StyleBlock学习所述第一人脸特征图，获得提高分辨率后的第二人脸特征图；

S4、对所述低分辨率人脸图像依次进行N/2倍下采样操作和卷积操作，提取所述低分辨率人脸图像的第三人脸特征图，将所述第二人脸特征图和第三人脸特征图作为第二StyleBlock的输入，获得第四人脸特征图；

i

S5、将下采样操作倍数设置为N/2 ，对所述低分辨率人脸图像执行步骤S4的操作K次，最终获得提高分辨率后的人脸图像；i为正整数，且i≥2；

S6、级联多个输出StyleBlock，得到级联结构，并将提高分辨率后的人脸图像作为所述级联结构中第一个输出StyleBlock的输入，得到重建后的人脸图像。

2.根据权利要求1所述的人脸超分辨率重建方法，其特征在于，步骤S6之后，还包括：S7、将重建后的人脸图像与真实人脸图像分别输入人脸鉴别网络，对应分别得到预测值fake_value和预测值real_value；计算fake_value和real_value之间的均方损失函数，进行反向传播从而训练人脸鉴别网络，训练后的人脸鉴别网络即为鉴别模型。

3.根据权利要求2所述的人脸超分辨率重建方法，其特征在于，所述人脸鉴别网络获取预测值的实现过程包括：通过M1个卷积层结合注意力机制学习人脸图像人脸空间区域之间的关系，获得注意力特征图，将所述注意力特征图经过平均池化层和M2个卷积层，最后通过Sigmoid激活函数输出预测值。

4.根据权利要求1所述的人脸超分辨率重建方法，其特征在于，步骤S1中，对特征图进行亮度调整的具体实现过程包括：将所述特征图 输入亮度调整子模块中，得到调整之后的特征图 ；其中，所述亮度调整子模块包括依次连接的输入卷积层、2个中间卷积层和3个反卷积层。

5.根据权利要求1所述的人脸超分辨率重建方法，其特征在于，各StyleBlock对输入的人脸特征图执行如下操作：对所述输入的人脸特征图进行反卷积操作，使输入的人脸特征图变大；通过多个卷积层对输入的低分辨率人脸图像进行编码，加入高斯先验的噪声，经过Flatten层把多维的输入一维化获得编码变量z，将编码向量z经过多个线性层转换为一个向量x，向量x与变大之后的输入的人脸特征图做内积操作，将所述内积操作的结果作为通道注意力机制的输入，最后通过平均池化层和多个输出卷积层，输出对应的人脸特征图。

6.根据权利要求1所述的人脸超分辨率重建方法，其特征在于，所述StyleBlock包括编码部分和样式调整部分；所述样式调整部分包括反卷积层；所述反卷积层的输入为对应的人脸特征图；所述反卷积层与通道注意力模块连接；所述编码部分包括输入卷积层；所述输入卷积层与多个级联的第一卷积层连接；所述多个级联的第一卷积层的最后一个第一卷积层与Flatten层连接；所述Flatten层与多个级联的线性层连接；最后一个所述线性层与通道注意力模块连接；所述输入卷积层的输入为所述低分辨率人脸图像。

7.根据权利要求6所述的人脸超分辨率重建方法，其特征在于，所述通道注意力模块包括平均池化层；所述平均池化层与至少一个第二卷积层连接；所述第二卷积层通过Sigmoid激活函数与多个级联的第三卷积层连接。

8.一种人脸超分辨率重建系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～7之一所述方法的步骤。