代替使用基于概率图的模型或基于流形学习的模型,近来已经提出了一些基于位置补丁的方法用于面部幻觉。 为了获得用于幻觉的最佳权重,它们通过采用最小二乘估计或凸优化来通过训练面部图像的相同位置处的那些小块来表示图像小块。 但是,他们既不能希望提供无偏的解决方案,也不能希望满足局部条件,因此获得的补丁表示不是最好的。 与最小二乘表示(LSR)和稀疏表示(SR)相比,本文提出了一种更简单但更有效的表示方案-局域约束表示(LcR)。 它对最小二乘反演问题施加了局部性约束,以同时达到稀疏性和局部性。 实验结果证明了该方法优于某些最新的面部幻觉方法的优越性。