En la tarea de restauración de imágenes, la red generativa adversarial (GAN) demuestra un excelente rendimiento. Sin embargo, persisten desafíos significativos en cuanto a la tarea de rellenar regiones faciales de forma generativa. Los enfoques de modelos tradicionales son ineficaces para mantener la consistencia global entre los componentes faciales y recuperar los detalles faciales finos. Para abordar este desafío, este estudio propone una red de generación de restauración facial que combina un módulo transformador y GAN para detectar con precisión las partes faltantes de las características faciales y realizar una restauración generativa efectiva y detallada. Validamos el modelo propuesto utilizando diferentes métodos de evaluación de calidad de imagen y varios conjuntos de datos faciales de código abierto, y demostramos experimentalmente que nuestro modelo supera a otros modelos de red de vanguardia actuales en cuanto a calidad de imagen generada y naturalidad coherente de las características faciales en tareas de generación de restauración de imágenes faciales.