DNN论文阅读笔记

题目：A COARSE-TO-FINE FACE HALLUCINATION METHOD BY EXPLOITING FACIAL PRIORKNOWLEDGE

中文：利用面部先验知识的从粗到细面部识别方法

总结：这篇文章借鉴了FSRNet，思路完全是一样的，不同点就是使用了多尺度放大因子（x4，x8，x16）

摘要

• 幻觉技术从低分辨率（LR）的图像生成高分辨率（HR）的面部图像。在本文中，我们建议通过构造一个两分支网络，使用从粗糙到精细的方法进行面部幻觉，这充分利用了面部图像的特定先验知识以及常规图像超分辨率（SR）方法的优点。具体来说，我们共同构建了具有人脸图像SR分支和语义人脸分析分支的深度神经网络（DNN）。前一个分支使用级联的卷积层实现图像上采样和特征提取。后一个分支提取面部语义分析作为先验知识。然后，我们结合图像特征和先验知识来重建HR人脸图像。最后，我们通过对抗训练和感知损失来优化DNN，以获得较高的真实感。大量实验表明，该方法在准确性和真实性方面均优于最新的方法。

背景：使用先验知识进行人脸超分辨
方法：共同构建了具有人脸图像SR分支和语义人脸分析分支的深度神经网络（DNN），前一个分支使用级联的卷积层实现图像上采样和特征提取。后一个分支提取面部语义分析作为先验知识。然后，我们结合图像特征和先验知识来重建HR人脸图像。
结论：该方法在准确性和真实性方面均优于最新的方法。

引言

• 面部幻觉是从低分辨率（LR）推断高分辨率（HR）面部图像的特定领域超分辨率（S-R）问题。它被广泛用于各种现实生活中，例如视频监视[1]和人脸识别[2，3]。

传统方法和缺点

• Baker和Kanada [4]首先从事关于面部幻觉的研究。从此以后，提出了许多面部幻觉方法[5-12]。 Wang等。 [6]通过应用本征变换，在LR和HR脸部之间进行了映射。刘等。 [7]引入了两步法，包括全局图像重建和残差补偿。但是，这些全局方法[6，7]无法有效地重建局部细节。为此，提出了通过采用位置先验的基于补丁的局部方法。等。 [10]通过线性组合训练图像的斑块在相同位置重建HR面部图像斑块。Wang等。 [13]实现自适应稀疏正则化位置表示权重
  。杨等。 [12]通过根据面部标志和姿势估计结果将面部图像划分为不同的组，来进行幻觉之前的面部结构。然而，当人脸未精确对准时，这些方法的重建结果[10,12,13]通常是不准确的。

基于深度学习的方法，和缺点

• 近来，基于深度学习的方法[14-17]在通用图像SR问题中得到了非常有效的体现。董等。 [14]首先提出了使用三个卷积层的超分辨率卷积神经网络（SRCNN），以学习LR和HR图像之间的端到端映射。 Ledig等。 [15]采用残差学习[18]来构建深度神经网络（SRResNet）并实现出色的性能。至于面部幻觉[5、8、9、11]，Zhou等。 [5]在没有任何先验知识的情况下，使用BCCNN预测HR图像。朱等。 [8]结合估计的密集人脸对应字段和深层级联双网络（CBN&#