Bestehende Forschungen zur Gesichtsrestauration basieren in der Regel entweder auf Degradationspriors oder expliziten Leitlabels für das Training, was häufig zu einer begrenzten Generalisierungsfähigkeit bei realen Bildern mit heterogenen Degradationen und reichhaltigen Hintergrundinhalten führt. In dieser Arbeit untersuchen wir die anspruchsvollere und praktischere "dual-blind" Version des Problems, indem wir die Anforderungen an beide Arten von Priors aufheben, was als "Face Renovation" (FR) bezeichnet wird. Insbesondere formulieren wir FR als ein semantikgesteuertes Generierungsproblem und lösen es mit einem Ansatz der kooperativen Unterdrückung und Ergänzung (Collaborative Suppression and Replenishment, CSR). Dies führt zu HiFaceGAN, einem mehrstufigen Framework, das mehrere verschachtelte CSR-Module enthält und schrittweise gesichtliche Details ergänzt, basierend auf der hierarchischen semantischen Steuerung, die aus den vorderen inhaltsanpassenden Unterdrückungsmodulen extrahiert wird. Umfangreiche Experimente sowohl mit synthetischen als auch mit realen Gesichtsbildern haben die überlegene Leistung von HiFaceGAN bei einer Vielzahl herausfordernder Restaurationsunteraufgaben bestätigt, was seine Vielseitigkeit, Robustheit und Generalisierungsfähigkeit für reale Gesichtsverarbeitungsanwendungen unterstreicht.