本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法,其结合了 3D 可塑模型(3D Morphable Model)的优点和学习校正空间的空外推广优点。
Dec, 2017
本文提出一种基于学习的轻场景图像空间超分辨率框架,在每个轻场景图像视角学习探索不同的信息,并通过正则化网络结构来确保场景的正确视差关系,实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB,而且以更低的计算成本保持了更准确的视差细节。
Apr, 2020
本文提出了一种高阶残差网络,通过学习光场数据的几何特征对其进行重建,可有效减少非 Lambertian 和遮挡区域的伪影。实验结果表明,该方法在定量和视觉评估上均优于最先进的单图像或 LF 重建方法。
Mar, 2020
基于机器学习和数据科学的关键方法之一,流形学习旨在揭示高维空间中复杂非线性流形内部的内在低维结构。我们提出了一种可扩展的流形学习方法,可以高效地处理大规模和高维数据,从而应用于可视化、分类等领域。
Jan, 2024
该研究提出了一种新的损失函数,它对临床训练数据集的缺失更为稳健,并应用到使用深度神经网络进行超分辨率图像处理领域中。通过自动编码器进行流形距离,使超分辨率图像与高分辨率图像保持相似的纹理内容,达到匹配人类对结构、亮度和对比度的感知效果。作者在大规模临床数据集上进行了实验验证,并将其与现有技术进行了比较。
Mar, 2019
该研究提出了一种将 3D 人脸先验知识与深度卷积神经网络相结合的人脸超分辨率方法。实验结果表明,所提出的方法在面部超分辨率方面取得了优异的效果。
Jul, 2020
本文提出了一种针对小输入低分辨率人脸图像的综合人脸幻象方法,该方法可将基于深度卷积神经网络的去噪先验注入到超分辨率优化模型中,同时通过多层邻域嵌入方法对面部图像进行分割并进行人脸幻象,以实现良好的超分辨率效果。
Jun, 2018
本研究提出了一种新的三维人脸重建技术,利用稀疏光度立体和单个图像的面部建模技术,通过采用语义分割技术,可以精确重构面部毛发和裸露皮肤区域,包括皱纹、眉毛、丘疹、毛孔等微小的几何细节,其表现可与电影品质制作相媲美。
Nov, 2017
本文提出了一种面部图像超分辨网络,该网络在低分辨率、大姿态、大光照变化等困难情况下,通过全局和局部约束的多层次特征提取和重建,通过对抗性损失函数进行优化,来实现面部图像重建和细节增强的目标,同时在控制和不受控制的实验环境下,与现有算法相比,在数量和视觉效果上均获得了显著的提高。
Mar, 2016
本文提出了一种基于卷积神经网络和脸部识别模型的(深度)脸部成像模型,通过使用级联超分辨率网络并将人脸识别模型作为学习过程中的先验来实现从低分辨率输入到高分辨率输出的脸部图像重建,实验结果表明该方法优于现有方法。
May, 2018