La restauration des détails faciaux à partir d'images de faible qualité (LQ) reste un problème difficile en raison de son caractère mal posé, induit par diverses dégradations dans les conditions réelles. Les méthodes existantes basées sur le modèle de codebook atténuent ce caractère mal posé en utilisant un autoencodeur et une table de codes apprise contenant des caractéristiques de haute qualité (HQ), obtenant ainsi des résultats remarquables. Cependant, ces approches dépendent souvent d'un seul encodeur pré-entraîné sur des données HQ pour la restauration d'images HQ, négligeant l'écart entre les domaines des images LQ et HQ. Par conséquent, l'encodage des entrées LQ peut être insuffisant, entraînant une performance sous-optimale. Pour résoudre ce problème, nous proposons un nouveau cadre à double branche nommé DAEFR. Notre méthode introduit une branche auxiliaire LQ qui extrait des informations cruciales à partir des entrées LQ. De plus, nous intégrons une formation associative pour favoriser une synergie efficace entre les deux branches, améliorant ainsi la prédiction du code et la qualité de la sortie. Nous évaluons l'efficacité de DAEFR sur des jeux de données synthétiques et réels, démontrant sa supériorité dans la restauration des détails faciaux. Page du projet : https://liagm.github.io/DAEFR/