由于具有出色的自然图像稀疏度表征能力，因此，在基于字典学习的面部幻觉中，ℓ1-范数稀疏表示（SR）被广泛用于表述线性组合关系。 但是，由于嘈杂图像的固有稀疏性，Laplacian先验假定为ℓ1范数在稀疏性方面似乎具有攻击性，最终导致出现噪声时幻觉性能显着下降。 为此，我们建议使用一个中等稀疏的先验模型，称为高斯-拉普拉斯混合（GLM）分布，并在贝叶斯框架下采用它来推断最优解。 由此产生的正则化方法已知的弹性网（EN）不仅在无噪声的情况下保持与SR相同的幻觉性能，而且在存在噪声的情况下也明显优于后
