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&#