Les recherches actuelles en restauration faciale reposent généralement soit sur un a priori de dégradation, soit sur des étiquettes de guidage explicites pour l'entraînement, ce qui entraîne souvent une capacité de généralisation limitée sur les images réelles présentant des dégradations hétérogènes et des contenus de fond riches. Dans cet article, nous examinons la version plus complexe et pratique du problème, qualifiée de « double-aveugle », en supprimant les exigences relatives aux deux types d'a priori, appelée « Face Renovation » (FR). Plus précisément, nous formulons FR comme un problème de génération guidée sémantiquement et le résolvons par une approche de collaboration entre suppression et complétion (CSR). Cela conduit à HiFaceGAN, un cadre multistade comprenant plusieurs unités CSR imbriquées qui complètent progressivement les détails faciaux basés sur la guidance sémantique hiérarchique extraite des modules frontaux d'adaptation au contenu. Des expériences approfondies menées sur des images faciales synthétiques et réelles ont vérifié la supériorité de HiFaceGAN dans une large gamme de sous-tâches de restauration complexes, démontrant sa polyvalence, sa robustesse et sa capacité de généralisation pour les applications de traitement facial dans le monde réel.