人脸超分辨
文章平均质量分 80
人脸超分辨
只会写bug的菜鸡
这个作者很懒,什么都没留下…
展开
-
RCAN-Image Super-Resolution Using Very Deep Residual Channel Attention Networks
题目:Image Super-Resolution Using Very Deep Residual Channel Attention Networks转载博客:基于深度残差通道注意网络的图像超分辨率转载 2021-05-11 10:48:07 · 191 阅读 · 0 评论 -
CBAM: Convolutional Block Attention Module论文阅读笔记
题目:CBAM: Convolutional Block Attention Module中文:卷积块注意模块摘要:我们提出了卷积块注意力模块(CBAM),这是一种用于前馈卷积神经网络的简单而有效的注意力模块。给定一个中间特征图,我们的模块会依次沿着两个单独的维度(通道和空间)推断注意力图,然后将注意力图与输入特征图相乘以进行自适应特征优化。由于CBAM是一个轻量级的通用模块,因此可以将其无缝集成到任何CNN体系结构中,而开销却可以忽略不计,并且可以与基础CNN一起进行端到端的培训。我们通过对Im原创 2021-03-12 14:32:23 · 307 阅读 · 0 评论 -
Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution论文阅读笔记
题目:Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution中文:深度拉普拉斯金字塔网络,可实现快速,准确的超分辨率参考摘要:卷积神经网络最近展示了用于单图像超分辨率的高质量重建。本文提出了拉普拉斯金字塔超分辨率网络(LapSRN),以逐步重建高分辨率图像的sub-band 残差。在每个金字塔级别,我们的模型均以粗糙分辨率特征图为输入,预测高频残差。并使用反卷积将其向上采样到更精细的级别。我们的方法不需要双三次原创 2021-03-11 19:32:19 · 779 阅读 · 0 评论 -
图像超分辨率技术总结整理
真实图像的降级过程很复杂,评价指标超分辨网络的结构分类预上采样的优点是无须考虑输入和输出的尺寸不匹配问题。缺点是会产生虚假问题,干扰网络学习。所有的计算都在高维空间中进行,增加了运算负担后上采样在低维空间中提取特征,降低计算复杂度。但是上采样倍数较大时,过多的信息缺失导致单个上采样层无法工作。学习难度快速升高,此外,要为每一种放大倍数重新训练一次模型。很不方便兼容不同放大倍数,这种多阶段的学习网络可以结合特定的方法进一步降低学习的难度,但是...原创 2021-03-10 15:30:18 · 1373 阅读 · 0 评论 -
超分辨方法-基于插值算法(最近邻,双线性,双三次)
Python实现双线性插值超分辨Python实现最近邻插值超分辨Pytohn实现双三次插值超分辨灰度图import numpy as npimport mathimport cv2def double_linear(input_signal, zoom_multiples): ''' 双线性插值 :param input_signal: 输入图像 :param zoom_multiples: 放大倍数 :return: 双线性插值后的图像原创 2021-03-09 22:24:05 · 2483 阅读 · 2 评论 -
FSRGFCH论文阅读笔记
题目:Face Super-resolution Guided byFacial Component Heatmaps中文:脸部组件热图指导的脸部超分辨率摘要最新的人脸超分辨率方法利用深度卷积神经网络通过探索局部外观信息来学习低分辨率(LR)面部模式与其对应的高分辨率(HR)对手之间的映射。但是,大多数这些方法都不能解决面部结构,【缺点】并且由于姿势变化大和对齐不当而遭受失真。在本文中,我们提出了一种使用多任务卷积神经网络(CNN)将人脸的结构信息显式地纳入人脸超分辨率过程的方法。我们的CNN有两原创 2021-02-05 14:50:25 · 314 阅读 · 0 评论 -
Super-FAN论文阅读笔记
题目:Super-FAN: Integrated facial landmark localization and super-resolution ofreal-world low resolution faces in arbitrary poses with GANs中文:Super-FAN:使用GAN在任意姿势下集成了面部界标定位和超高分辨率的现实世界低分辨率面孔摘要本文解决了两个具有挑战性的任务:提高低分辨率面部图像的质量,并在此类分辨率较差的图像上准确定位面部标志。为此,我们做出了以下原创 2021-02-05 14:02:12 · 673 阅读 · 0 评论 -
联合对准和超分辨率网络(JASRNet)论文阅读笔记
题目:Joint Super-Resolution and Alignment of Tiny Faces中文:微小面的联合超分辨率和对齐摘要微小面孔的超分辨率(SR)和界标定位是高度相关的任务。一方面,具有高分辨率(HR)的人脸可以实现界标定位。另一方面,人脸SR将受益于人脸特征(例如地标)的先验知识,因此,我们提出了一种联合对准和SR网络来同时检测人脸标志和超分辨小人脸。更具体地说,共享的深度编码器通过利用补充信息被应用于为两个任务提取特征。为了利用分层编码器的代表性功能,将共享特征提取模块的原创 2021-02-04 20:04:15 · 353 阅读 · 0 评论 -
多阶段人脸超分辨率(MSFSR)论文阅读笔记
题目: MSFSR: A Multi-Stage Face Super-Resolution with Accurate FacialRepresentation via Enhanced Facial Boundaries中文:MSFSR:多阶段面部超级分辨率,通过增强的面部边界实现精确的面部表示摘要大多数人脸超分辨率(FSR)方法都将特定的人脸先验作为指导,以将给定的低分辨率(LR)超级解析为高分辨率(HR)图像。为了提高FSR性能,在过去的几十年中,人们探索了各种面部表示。然而,在估计LR图原创 2021-02-04 19:37:25 · 1314 阅读 · 2 评论 -
ATSENet论文阅读笔记
题目: ATSENet :Learning Face Image Super-Resolution throughFacial Semantic Attribute Transformation andSelf-Attentive Structure Enhancement中文;通过面部语义属性转换和自我注意结构增强来学习人脸图像超分辨率摘要摘要—人脸超分辨率是一个领域特定的超分辨率(SR)问题,该问题会从低分辨率(LR)输入生成高分辨率(HR)面部图像。即使现有的face SR方法在全局区域评估原创 2021-02-04 19:16:01 · 1189 阅读 · 0 评论 -
CAGFace论文阅读笔记
题目:Component Attention Guided Face Super-Resolution Network: CAGFace中文:组件注意导向的人脸超分辨率网络:CAGFace摘要为了充分利用人脸的基础结构,通过人脸数据集收集的集体信息以及在上采样过程中的中间估计,我们在本文中引入了针对4倍超分辨率人脸图像的全卷积多级神经网络。 。我们使用分段网络隐式施加了面部组件注意地图,以使我们的网络专注于面部固有模式。我们网络的每个阶段都由一个主干层,一个残留主干和空间上采样层组成。我们周期性地原创 2021-02-04 16:19:27 · 355 阅读 · 0 评论 -
DIC论文阅读笔记
题目:Deep Face Super-Resolution with Iterative Collaboration between AttentiveRecovery and Landmark Estimation中文:Deep Face超分辨率,在Attention Recovery和Landmark估计之间进行迭代协作摘要基于深度学习和面部先验的最新作品成功地解决了严重退化的面部图像。但是,现有技术无法充分利用现有方法,因为诸如地标和成分图之类的面部先验总是通过低分辨率或粗糙的超分辨图像来估原创 2021-02-04 14:27:42 · 714 阅读 · 0 评论 -
PSFRGAN论文阅读笔记
题目:Progressive Semantic-Aware Style Transformation for Blind Face Restoration中文:渐进式语义感知样式转换,用于盲脸修复摘要脸部修复在脸部图像处理中很重要,并且近年来已被广泛研究。但是,先前的工作**【缺点】通常无法为现实世界中的低质量(LQ)人脸图像生成合理的高质量(HQ)结果。在本文中,我们提出了一种新的渐进式语义感知转换框架,称为PSFR-GAN**,用于面部修复。具体而言,我们通过语义感知样式转换将LQ人脸图像的恢原创 2021-02-03 20:31:44 · 2905 阅读 · 1 评论 -
PSFRNet论文阅读笔记
题目:Progressive Face Super-Resolution via Attention to Facial Landmark中文:通过注意面部标志来实现渐进式面部超分辨率摘要人脸超分辨率(SR)是SR域的子领域,专门针对人脸图像的重建。面部SR的主要挑战是恢复基本的面部特征而不会变形。我们提出了一种新颖的人脸SR方法,该方法可生成具有完全保留的人脸细节的逼真的8x超分辨人脸图像。为此,我们采用了渐进式训练方法,该方法通过将网络分成连续的步骤来进行稳定的训练,每个步骤产生的输出分辨率都原创 2021-02-03 20:02:11 · 372 阅读 · 0 评论 -
PMGMSAN论文阅读笔记
标题:PARSING MAP GUIDED MULTI-SCALE ATTENTION NETWORK FOR FACE中文:解析图指导的多尺度注意力网络人脸超分辨摘要旨在将低分辨率(LR)的人脸图像转换为高分辨率(HR)的人的幻觉是活动领域特定的图像超分辨率问题。现有方法的性能通常不能令人满意,尤其是在放大系数较大(例如8倍)时。在本文中,我们提出了一种基于深度神经网络的有效两步幻觉方法,该神经网络具有多尺度通道和空间注意机制。具体来说,我们开发了一个解析网络来提取输入LR面孔的先验知识,然后将原创 2021-02-03 17:43:57 · 501 阅读 · 0 评论 -
MNCEFH论文阅读笔记
题目:Deep CNN Denoiser and Multi-layer Neighbor Component Embedding for FaceHallucination中文:深度CNN去噪器和多层相邻组件嵌入的FaceHallucification摘要当前大多数的面部幻觉方法,无论是基于浅层学习还是基于深度学习,都试图借助训练集来学习低分辨率(LR)空间和高分辨率(HR)空间之间的关系模型。他们主要关注通过基于模型的优化或判别性推理学习对图像进行先验建模。但是,【缺点】当输入LR面很小时,所原创 2021-02-03 16:16:08 · 347 阅读 · 0 评论 -
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半透明化,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原创 2021-01-29 18:25:21 · 653 阅读 · 0 评论 -
FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors论文阅读笔记
题目:FSRNet: End-to-End Learning Face Super-Resolution with Facial PriorsarXiv:1711.10703v1 [cs.CV] 29 Nov 2017FSRNet:带有面部先验的端到端学习面孔超分辨率图1:比例因子8上不同超分辨率方法的视觉结果摘要:人脸超分辨率(SR)是特定于域的超分辨率问题。可以利用特定的面部先验知识来获得更好的超分辨人脸图像。我们提出了一个新颖的端到端可训练的人脸超分辨率网络(FSRNet),原创 2020-12-29 15:01:53 · 829 阅读 · 0 评论 -
LCGE论文阅读笔记
题目:Learning to hallucinate face images via Component Generation and Enhancement中文:通过分量生成和增强学习使人脸图像幻觉摘要:我们提出了一种两阶段的幻觉方法。首先,我们使用CNN生成输入图像的面部分量。这些成分代表了基本的面部结构。其次,我们从高分辨率的训练图像中合成出细粒度的面部结构。这些结构的细节被转移到面部成分中进行增强。因此,我们在第一阶段生成面部成分以近似地面真相的整体外观,并在第二阶段通过恢复细节来增强它们原创 2021-01-29 17:24:39 · 394 阅读 · 0 评论 -
CBN论文阅读笔记
题目:Deep Cascaded Bi-Network forFace Hallucination中文:深度幻觉双级联网络代码:http://mmlab.ie.cuhk.edu.hk/projects/CBN.html.摘要我们提出了一种新颖的框架,用于幻化不受约束的姿势并且分辨率非常低的面部(面部尺寸小至5pxIOD1)。与现有研究大多忽略或假设预先对齐的人脸空间配置(例如人脸地标定位或密集对应字段)相反,我们在统一框架中交替优化了两个互补任务,即人脸幻觉和密集对应字段估计。此外,我们提原创 2021-01-29 16:25:04 · 256 阅读 · 0 评论 -
SRGAN论文阅读笔记
题目:Photo-Realistic Single Image Super-Resolution Using a Generative AdversarialNetwork中文:使用生成的对抗网络实现逼真的单图像超分辨率摘要尽管使用更快,更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破,但仍未解决一个主要问题:在**【CNN的缺点】较大的缩放比例下进行超分辨率时,如何恢复更精细的纹理细节。基于优化的超分辨率方法的行为主要取决于目标函数的选择。最近的工作主要集中在最小化均方重构误差上。原创 2021-01-29 14:29:33 · 1427 阅读 · 0 评论 -
ATMFN论文阅读笔记
题目:ATMFN: Adaptive-threshold-based Multi-modelFusion Network for Compressed Face Hallucination中文:用于压缩幻觉的基于自适应阈值的多模型融合网络摘要尽管最近在幻觉方面取得了长足的进步,【缺点】但基于单一深度学习框架的现有方法很难在复杂退化的情况下从小脸部令人满意地提供面部特征。本文提出了一种用于压缩人脸幻觉的基于自适应阈值的多模型融合网络(ATMFN),该网络融合了不同的深度学习模型,以充分利用其各自的学原创 2021-01-29 10:27:50 · 219 阅读 · 0 评论 -
PLUSE论文阅读笔记
题目:PULSE: Self-Supervised Photo Upsampling viaLatent Space Exploration of Generative Models中文:PLUSE:通过生成模型的潜在空间探索进行自我监督的照片升采样摘要单图像超分辨率的主要目的是从对应的低分辨率(LR)输入构建高分辨率(HR)图像。在通常受到监督的以前的方法中,训练目标通常会进行测量超分辨(SR)和HR图像之间的像素方向平均距离。【缺点】优化此类指标通常会导致模糊,尤其是在高方差(详细)区域中。我原创 2021-01-28 20:21:47 · 2424 阅读 · 0 评论 -
SDOT-CycleGAN论文阅读笔记
题目:GUIDED CYCLEGAN VIA SEMI-DUAL OPTIMAL TRANSPORT FORPHOTO-REALISTIC FACE SUPER-RESOLUTION摘要面部超分辨率已经研究了数十年,并且已经提出了许多方法,【缺点】这些方法使用从成对的低分辨率(LR)图像和高分辨率(HR)图像中提取的信息来对低分辨率的面部图像进行升采样。但是,大多数此类工作仅使锐化后的人脸图像中的模糊边缘变得清晰,通常最终结果中都不会重建照片般逼真的人脸。在本文中,我们提出了一种基于GAN的人脸超分原创 2021-01-28 16:26:09 · 404 阅读 · 1 评论 -
LRGAN论文阅读笔记
题目:To learn image super-resolution, use a GAN tolearn how to do image degradation first中文:要学习图像超分辨率,请使用GAN来学习如何进行图像降级摘要本文是关于图像和面部的超分辨率。针对该问题的大量先前工作集中在如何提高通过简单的双线性下采样(或在少数情况下先模糊后进行下采样)人为生成的低分辨率图像的分辨率。我们表明,将这些方法应用于现实世界中的低分辨率,低质量图像时,无法产生良好的结果。**【人为制造的LR图原创 2021-01-28 15:50:36 · 674 阅读 · 1 评论 -
SPGAN论文阅读笔记
题目:Supervised Pixel-Wise GAN for FaceSuper-Resolution中文:受监督的Pixel-Wise GAN 对于人脸超分辨摘要对于许多与面部有关的多媒体应用,低分辨率的面部图像可能会大大降低面部识别性能,并需要面部超分辨率(SR)。在当前的SR方法中,面向MSE的SR方法通常会产生过度平滑的输出,并且可能会丢失一些纹理细节,而面向GAN的SR方法可能会生成对面部识别有害的伪影。为了解决上述问题,本文提出了一种有监督的逐像素生成对抗网络(SPGAN),该网络原创 2021-01-28 15:09:17 · 898 阅读 · 4 评论 -
PCA-SRGAN论文阅读笔记
题目:PCA-SRGAN: Incremental Orthogonal Projection Discrimination for FaceSuper-resolution中文:PCA-SRGAN:用于人脸超分辨率的增量正交投影识别摘要生成对抗网络(GAN)已被用于面部超分辨率,但它们容易扭曲扭曲的面部细节,并且在恢复逼真的纹理方面仍然存在不足。为了进一步提高基于GAN的超分辨人脸图像模型的性能,提出了PCA-SRGAN,它关注人脸数据的PCA投影矩阵在正交投影空间中的累积区分。通过将从结构到细节原创 2021-01-28 14:18:37 · 495 阅读 · 0 评论 -
HifaceGAN论文阅读笔记
题目:HiFaceGAN: Face Renovation via CollaborativeSuppression and Replenishment中文:HiFaceGAN:通过协同抑制和补给进行面部修复图1:相关的最新技术的面部修复结果。我们的HiFaceGAN通过自然图像质量评估器(NIQE)[42]达到了最好的效果。(最好在计算机屏幕上查看,以方便您放大和比较面部细节的质量。其他数字也一样。)摘要:现有的人脸复原研究通常依赖于退化先验或显式的引导标签进行训练,这十种方法中的任何一种原创 2021-01-28 14:01:00 · 1633 阅读 · 0 评论 -
SPARNet(2020.12.4IEEE)论文阅读笔记
题目:Learning Spatial Attention for FaceSuper-Resolution中文:学习空间注意力以实现人脸超分辨率摘要常规图像超分辨率技术在应用**【缺点】低分辨率面部图像时难以恢复详细的面部结构。通过与其他任务(例如人脸解析和界标预测)共同训练,针对人脸图像量身定制的最新基于深度学习的方法已经实现了改进的性能。但是,多任务学习需要额外的手动标记数据。此外,大多数现有的工作扫描仅产生相对低分辨率的面部图像(例如128×128),因此其应用受到限制。在本文中,我们介绍原创 2021-01-28 11:24:34 · 1485 阅读 · 1 评论 -
FPFSR论文阅读笔记
题目:Deep Feature-Preserving Based Face Hallucination: Feature Discrimination Versus Pixels Approximation中文:基于深度特征保留的面部幻觉:特征区分与像素近似有代码,但是没找到论文。https://github.com/hengliusky/Feature-preserving-Based-Face-Hallucination摘要人脸幻觉的目的是从输入的低分辨率(LR)人脸图像中生成高分辨率(H原创 2021-01-27 22:47:21 · 141 阅读 · 0 评论 -
EDGAN论文阅读笔记
题目:Enhanced Discriminative GenerativeAdversarial Network for FaceSuper-Resolution中文:用于FaceSuper分辨率的增强型判别式生成专家网络最近,一些基于生成对抗网络(GAN)的超分辨率(SR)方法已经发展到可以通过使用生成器(G)和鉴别器(D)对抗方案生成照片般逼真的自然图像的程度。但是,基于普通 GAN的SR方法无法同时在现实世界的面部图像上实现良好的重建和感知保真度。由于存在D loss,它们很难稳定收敛,这可能原创 2021-01-27 22:30:46 · 373 阅读 · 1 评论 -
DPDFN论文阅读笔记
题目:Dual-Path Deep Fusion Network for Face Image Hallucination中文:用于人脸幻觉的双路径深度融合网络摘要随着基于深度学习的面部幻觉方法的性能改进**【缺点】,各种面部优先级(面部形状,面部地标热图或解析图)已用于描述整体和部分面部特征,从而使得生成超分辨面部图像的成本大大提高-繁琐切费力。为了解决这个问题,我们提出了一种简单而有效的双路径深度融合网络(DPDFN)**,无需额外的人脸就能实现人脸图像超分辨率(SR),它通过两个单独的分支来原创 2021-01-27 17:41:29 · 438 阅读 · 2 评论 -
RBPNET论文阅读笔记
题目:RBPNET:AnasymptoticResidualBack-ProjectionNetworkforsuper-resolutionofverylow-resolutionfaceimage摘要:低分辨率人脸图像的超分辨率是单图像超分辨率中的一项挑战性任务。大多数深度学习方法都是通过一步上采样来学习输入到目标空间的非线性映射。这些方法**【缺点】难以从单个非常低分辨率的面部图像重建高分辨率的面部图像。在本文中,我们提出了一种渐近残差反投影网络(RBPNet)**,以通过多步残差学习逐步学习原创 2021-01-27 14:31:17 · 163 阅读 · 2 评论 -
DCSCN论文阅读笔记
题目:Fast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Network摘要我们提出了一种具有深度卷积神经网络的高效,快速的单图像超分辨率(SISR)模型。最近,Deep CNN表明它们在单图像超分辨率方面具有显着的重构性能。【虽然很深的网络性能好,但是需要的硬件要求很高】当前的趋势是使用更深的CNN层来提高性能,但是,深度模型需要较大的计算资源,不适合移动,平板电脑和IoT原创 2021-01-26 21:58:01 · 676 阅读 · 0 评论 -
ESPCN论文阅读笔记
题目:Real-Time Single Image and Video Super-Resolution Using an EfficientSub-Pixel Convolutional Neural Network摘要:近年来,基于深度神经网络的几种模型在单图像超分辨率的重建精度和计算性能方面都取得了巨大的成功。在这些方法中,在【缺点】重建之前,使用单个滤波器(通常是双三次插值)将低分辨率(LR)输入图像放大到高分辨率(HR)空间。这意味着在HR空间中执行超分辨率(SR)操作。我们证明这不是最好的原创 2021-01-26 21:02:25 · 587 阅读 · 0 评论 -
Image Super-Resolution Using DeepConvolutional Networks论文阅读笔记
rXiv:1501.00092v3 [cs.CV] 31 Jul 2015题目:Image Super-Resolution Using DeepConvolutional Networks摘要:我们提出了一种用于单图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。映射表示为深度卷积神经网络(CNN),该神经网络将低分辨率图像作为输入并输出高分辨率图像【这就是端到端】。我们进一步表明,传统的基于稀疏编码的SR方法也可以视为深度卷积网络。但是与传统方法分..原创 2021-01-04 17:19:24 · 2259 阅读 · 0 评论 -
SRCNN代码测试
采用Ycbcr通道中的y通道计算psnr值% =========================================================================% Test code for Super-Resolution Convolutional Neural Networks (SRCNN)%% Reference% Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang. Learning a Deep.原创 2021-01-11 14:49:26 · 1419 阅读 · 3 评论 -
python引入同一文件夹下的代码爆红(不影响程序运行)
https://www.cnblogs.com/my-blogs-for-everone/articles/12270938.html亲测可用转载 2020-10-16 15:58:55 · 501 阅读 · 0 评论