0-∞-CSDN博客

原创人脸超分辨率阅读论文汇总

人脸超分辨率论文阅读汇总1、FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors2、Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation3、Attention-Aware Face Hallucination via Deep Reinforcement Learni

2021-03-13 10:49:22 3206 4

原创 PARSING MAP GUIDED MULTI-SCALE ATTENTION NETWORK FOR FACE HALLUCINATION

PARSING MAP GUIDED MULTI-SCALE ATTENTION NETWORK FOR FACE HALLUCINATION 2020 ICASSP1、引言2、网络结构3、实验结果与最新方法的比较消融实验题目：面向人脸幻觉的解析图引导多尺度注意网络1、引言人脸幻觉是一个特定领域的图像超分辨率问题，其目的是将低分辨率的人脸图像转换成高分辨率的人脸图像。现有方法的性能通常不能令人满意，特别是当提升因子较大时，如8×。本文提出了一种基于具有多尺度通道和空间注意机制的深度神经网络的两步人脸

2021-03-31 16:11:34 382

原创 FACE HALLUCINATION BASED ON KEY PARTS ENHANCEMENT

FACE HALLUCINATION BASED ON KEY PARTS ENHANCEMENT 2018 ICASSP1、引言2、网络结构3、实验结果题目：基于关键部位增强的人脸幻觉1、引言脸部幻觉的目的是从低分辨率的脸部生成高分辨率的脸部。一般的超分辨率方法不能很好地解决这个问题，因为人脸具有很强的结构性。随着深度学习技术的迅速发展，出现了一些用于人脸幻觉的卷积神经网络(CNNs)模型，并取得了很好的效果。本文提出了一种基于人脸五个关键部位的五分支网络。每个分支的目的是产生一个高分辨率的关键部

2021-03-30 10:34:52 240

原创 Face Super-resolution Guided by Facial Component Heatmaps

Face Super-resolution Guided by Facial Component Heatmaps 2020 ECCV1、引言2、网络结构3、损失函数4、实验结果与最新方法的比较消融实验题目：人脸分量热图引导下的人脸超分辨率1、引言主要思想最先进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)面部图案与其对应的高分辨率(HR)面部图案之间的映射。然而，这些方法中的大多数都没有考虑到面部结构，并且由于大量的姿势变化和错位而导致退化。本文提出了一种利用

2021-03-29 19:47:54 643 1

原创 Face Hallucination Using Cascaded Super-Resolution and Identity Priors

Face Hallucination Using Cascaded Super-Resolution and Identity Priors 20201、引言2、网络结构3、损失函数4、实验结果题目：基于级联超分辨率和身份先验的人脸超分1、引言主要思想到目前为止，以令人信服的方式（尤其是在高放大倍数下）获得任意特征的超分辨率人脸图像仍然是一个未解决的问题，主要有以下两个原因：1、人脸超分任务的模糊性，其中解空间已知随着期望放大因子的增加而呈指数增长。对于特定领域的SR问题，如面部幻觉，解决方案空

2021-03-27 09:54:56 305 1

原创 ATMFN: Adaptive-Threshold-Based Multi-Model Fusion Network for Compressed Face Hallucination

A TMFN: Adaptive-Threshold-Based Multi-ModelFusion Network for Compressed Face Hallucination 20201、引言2、网络结构3、损失函数4、实验结果消融实验Fusion Network for Compressed Face Hallucination 2020)题目：一种基于自适应阈值的压缩人脸幻觉多模型融合网络ATMFN1、引言主要内容虽然最近在人脸超分方面取得了巨大的进展，但现有的基于单一深度学习框

2021-03-25 09:13:21 226

原创 Face Hallucination with Tiny Unaligned Images by Transformative Discriminative Neural Networks

Face Hallucination with Tiny Unaligned Images by Transformative Discriminative Neural Networks 2017 AAAI1、引言2、网络结构3、实验结果题目：基于变换判别神经网络的微小未对齐图像人脸幻觉1、引言主要思想传统的人脸幻觉方法在很大程度上依赖于低分辨率(LR)人脸的精确对齐，然后才能对其进行上采样。对于较大的提升因子，未对齐通常会导致结果不佳和不自然的伪影。由于不同的姿势和不同的面部表情，对于LR输入图

2021-03-23 15:44:27 282

原创 Face Super-Resolution Reconstruction Based on Self-Attention Residual Network

Face Super-Resolution Reconstruction Basedon Self-Attention Residual Network 20201、引言2、网络结构3、损失函数4、实验结果on Self-Attention Residual Network 2020)题目：基于自注意残差网络的人脸超分辨率重建1、引言主要内容针对基于卷积神经网络的人脸图像超分辨率重建方法存在的特征提取规模单一、特征利用率低、人脸图像纹理模糊等问题，提出了一种将卷积神经网络与自注意机制相结合的人

2021-03-23 09:28:10 492 1

原创 Copy and Paste GAN: Face Hallucination from Shaded Thumbnails

Copy and Paste GAN: Face Hallucination from Shaded Thumbnails 2020 CVPR1、引言2、网络结构3、损失函数4、实验结果与最新方法的比较消融分析题目：复制和粘贴GAN：来自着色缩略图的面部幻觉1、引言主要思想现有的基于卷积神经网络(CNN)的人脸超分方法在正常光照条件下的低分辨率人脸上取得了令人印象深刻的效果。然而，当在低照度或非均匀光照条件下捕捉LR脸时，它们的性能会显著降低。因此提出了一种复制粘贴生成对抗性网络(CPGAN)来恢

2021-03-22 14:52:17 499

原创 MSFSR: 一种通过增强人脸边界精确表示人脸的多级人脸超分辨率算法

MSFSR: A Multi-Stage Face Super-Resolution with Accurate Facial Representation via Enhanced Facial Boundaries 2020 CVPR1、引言2、网络结构3、实验结果MSFSR：一种通过增强人脸边界精确表示人脸的多级人脸超分辨率算法1、引言主要思想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

2021-03-17 20:13:12 928 1

原创 Joint Super-Resolution and Alignment of Tiny Faces

Joint Super-Resolution and Alignment of Tiny Faces 2020 AAAI1、引言2、网络结构3、损失函数4、实验结果1、引言主要思想微小人脸的超分辨率与特征点定位是高度相关的任务。一方面，利用高分辨率的人脸可以获得更高的精度特征点的定位。另一方面，面部SR将受益于对面部属性(如特征点)的先验知识。（人脸的超分和人脸特征点的定位相互促进）。因此，我们提出了一种联合对齐和SR网络来同时检测人脸关键点和超分辨微小人脸。更具体地说，通过利用互补信息，应用共享深

2021-03-17 16:24:36 321

原创 Dual-Path Deep Fusion Network for Face Image Hallucination

Dual-Path Deep Fusion Network for Face Image Hallucination 2020 TNNLS1、引言2、网络结构3、损失函数4、实验结果消融实验1、对GMN和LRN的评估：2、对Block and Unit Depth的评估：与最先进方法的比较1、引言主要思想在过去的十年中，越来越多的超分方法被开发出来。大多数现有的基于浅层学习的工作都致力于利用正则化技术从候选对象中找到最相似的结果。虽然上述方法是非常有效的，但约束线性映射不足以处理复杂的SR任务。基于

2021-03-16 20:27:51 683

原创 Learning Spatial Attention for Face Super-Resolution

Learning Spatial Attention for Face Super-Resolution 2020 CVPR1、引言2、网络结构SPARNetSPARNetHD3、损失函数4、实验结果消融实验1、引言主要思想人脸SR与一般的图像SR不同，侧重于人脸关键结构(即人脸成分形状和人脸轮廓)的恢复。这些结构只占图像的一小部分，但通常更难恢复，因为它们表现出较大的像素变化。一般的图像超分辨率技术在应用于低分辨率人脸图像时，难以恢复人脸的细节结构。最近针对人脸图像定制的基于深度学习的方法通过与

2021-03-16 11:21:06 1186

原创 Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution

Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution 2017 ICCV1、引言2、网络结构3、损失函数1、full-image loss （MSE loss）均方误差2、两种基于小波的损失：小波预测损失和纹理损失。总体损失函数：4、实验结果1、引言主要思想一种基于小波CNN的多尺度人脸超分，当时大多数人脸超分辨方法都是通过CNN来实现。当处理极低分辨率的图像时，基于CNN的方法性能明显降低；同时这些方法得到

2021-03-14 20:59:53 1545

原创 Attention-Aware Face Hallucination via Deep Reinforcement Learning

Attention-Aware Face Hallucination via Deep Reinforcement Learning 2017 CVPR1、引言2、网络结构3、实验结果增强学习复杂！！1、引言主要思想人脸超分是一种特定领域的超分辨率问题，其目标是从低分辨率(LR)输入图像生成高分辨率(HR)人脸。当时主流的复原方法都是尝试学习低分辨率图像区域到高分辨率图像区域的映射，而没有对不同区域相关关系进行建模所以我们提出了一种新的注意力感知人脸超分(Attention-FH)框架。具体地说，

2021-03-14 20:08:00 302

原创 Identity-Aware Face Super-Resolution for Low-Resolution Face Recognition

Identity-Aware Face Super-Resolution for Low-Resolution Face Recognition 2020 SPL1、引言2、网络结构3、损失函数4、实验结果1、引言主要思想尽管近年来基于深度学习的面部识别技术取得了惊人的成绩，但低分辨率（LR）面部识别仍然具有挑战性。现存的人脸超分模型直接应用于低分辨率人脸识别(LRFR)任务通常会严重降低识别性能，因为它们是针对结构信息清晰、身份信息丰富的高分辨率(HR)人脸进行训练的，而不是针对缺乏此类信息的低分

2021-03-14 17:00:47 394 2

原创 Component Attention Guided Face Super-Resolution Network: CAGFace

Component Attention Guided Face Super-Resolution Network: CAGFace 2020 WACV1、引言2、网络结构3、损失函数4、实验结果1、引言主要思想本文先介绍大脑对人脸的关注超过对其他任何物体类别的关注，然后分析最近几年的人脸超分方法有几个问题存在：1、当人脸的分辨率较低时，常用的面部分析技术(如面部对齐和识别)的性能会降低；2、许多基于深度神经网络的人脸超分辨率方法其输入图像包括整个脸部。由于训练和推理时间的计算和内存要求，它们既不

2021-03-14 16:00:52 261

原创 SAAN: SEMANTIC ATTENTION ADAPTATION NETWORK FOR FACE SUPER-RESOLUTION

SAAN: SEMANTIC ATTENTION ADAPTATION NETWORK FOR FACE SUPER-RESOLUTION 2020 ICME1、引言2、网络结构3、损失函数4、实验结论1、引言主要思想人脸超分辨率（Face SR）是SR的一个子域，可从低分辨率的人脸图像中重建高分辨率的人脸图像。人脸的先验知识被广泛用于恢复更真实的人脸细节，这将增加网络的复杂性，并在训练和评估阶段引入额外的知识提取过程。在以前提出的方法中人脸先验知识提取网络是独立训练的，这阻碍了它的更新以提取更多

2021-03-14 11:28:22 496 2

原创 Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Esti

题目：Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation2020 CVPR1、引言主要思想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计的，这可能不准确，从而影响了恢复性能。在本文中，我们提出了一种用于人脸超分辨

2021-03-14 10:31:00 629

转载 opencv常见问题

这里写自定义目录标题opencv版本更换常见问题，引用自文章末尾连接，只为自己方便，侵权删。版本信息：OpenCV4.2.0，开发工具：VS2019错误：未定义标识符 “CV_WINDOW_AUTOSIZE”原因：未引用库，解决：在源文件开头输入 #include <opencv2/highgui/highgui_c.h>错误：未定义标识符 “CV_CAP_PROP_FRAME_WIDTH”未定义标识符 “CV_CAP_PROP_FRAME_HEIGHT”原因：新版本已经改名

2021-03-12 16:14:07 955

原创 FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors

题目：FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors2018 CVPR图1：不同超分辨率方法的可视化结果1.引言主要思想本文的主要思想是通过人脸图像的特殊性，从人脸图像中提取几何先验信息来提高超分辨率的效果，同时，为了生成更逼真的人脸图像，作者还提出了“人脸图像超分辨率生成对抗网络”文章提出，可以利用特定的面部先验知识来获得更好的超分辨面部图像。本文贡献1、首次使用人脸几何先验来优化人脸超分问题，并

2021-03-12 16:13:23 608

考研机试题集.pdf

典型机试例题，C++代码。 /* 题目描述：对输入的n个数进行排序并输出。输入：输入的第一行包括一个整数n(1<=n<=100)。接下来的一行包括n个整数。输出：可能有多组测试数据，对于每组数据，将排序后的n个整数输出，每个数后面都有一个空格。每组测试数据的结果占一行。样例输入： 4 1 4 3 2 样例输出： 1 2 3 4 */ #include <iostream> #include <algorithm> using namespace std; int main() { int n,temp; while(cin>>n) { int a[101]; for(int i=0; i<n; i++) cin>>a[i]; sort(a,a+n); for(int i=0; i<n; i++) cout<<a[i]<<" "; cout<<endl; } return 0; }

2020-03-05

ccf软件资格认真考试历年真题.pdf

ccf历年真题，#include using namespace std; int main() { int n; while(cin>>n) { int s[10001]= {0}; int flag=1; for(int i=0; i>x; s[x]++; }for(int i=1000; i>0; i--) { for(int j=0; j<10001; j++) { if(s[j]==i) { cout<<j<<endl; flag=0; break; } }if(flag==0) break; } }return 0; }

2020-03-02

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人