CVPRDec, 2017

Super-FAN: GANs 集成的人脸关键点定位和超分辨率技术：在任意姿势下处理现实世界低分辨率人脸

PDF
TL;DR本文提出了一个基于结构信息的 GAN 超分辨率算法，通过 heatmap 回归和优化 heatmap 损失，集中提高了低分辨率人脸图像质量和精准的人脸关键点定位，取得了在真实世界下综合光线情况和姿态情况下超分辨率与对齐的优异结果。
facial imagessuper-resolutionfacial landmarksganheatmap regression
发现论文，激发创造
  • 利用面部关键点注意力的渐进式人脸超分辨率

    本论文提出了一种新颖的面部高清晰度恢复方法，采用了渐进式训练、面部注意力损失和压缩的人脸标注热图提取网络，实现了全面的面部特征恢复，使得图像更为逼真清晰，表现最好。

    Aug, 2019

  • 学习面部超分辨率的空间注意力

    本篇论文介绍了一种基于 SPARNet 和 Face Attention Units（FAU）的空间注意力残差网络（SPARNet），能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明，该方法在多种度量标准上的表现优于当前最先进的方法，并能够对合成和真实世界低质量人脸图像进行有效泛化，不需要额外的人工标记数据。

    Dec, 2020

  • 基于频率聚合的真实图像超分辨率网络

    提出了一种名为 FAN 的频率聚合网络方法，它能够针对复杂的现实降解恢复真实世界低分辨率图像的高分辨率版本，通过提取不同频率的低分辨率图像，并分别传递到一种称为 CA-GRDB 的通道注意力聚合残差密集网络中，最后自适应地聚合这些残余特征图来恢复具有增强细节和纹理的高分辨率图像，实验证明该方法在 AIM2020 挑战赛的真实图像超分辨率任务上表现出色，最终权衡指标 PSNR 达到 31.1735，SSIM 达到 0.8728，我们的团队 SR-IM 获得该赛道的第四名。

    Sep, 2020

  • 利用面部特征点补充人脸取证检测与定位

    本文提出了一个包含真实照片、生成照片和编辑照片的面部取证定位数据集，并演示了通过在输入图像中显式添加面部标志信息，提高面部索证检测和定位性能的方法。

    Oct, 2019

  • 微小人脸的联合超分辨率与对齐

    本文提出一种联合对齐和超分辨率网络，通过共享深度编码器提取特征，实现同时检测面部标记和超分辨率。实验证明，该模型在检测微小面部标记和超分辨率方面优于现有方法。

    Nov, 2019

  • FSRNet：基于面部先验的端到端学习人脸超分辨率

    使用深度学习技术构建人脸超分辨率网络 (FSRNet) 并结合 landmark 和 parsing map 实现对人脸低分辨率图像的高清重建，同时引入了对齐和解析等任务对传统指标进行补充，并开展了针对性的测试，显示出 FSRNet 和 FSRGAN 在超分辨率方面显著优于当前领先的技术。

    Nov, 2017

  • FAN: 特征适应网络用于监控人脸识别和归一化

    本文研究了监控图像中的人脸识别和规范化。 基于 Feature Adaptation Network 框架，本文提出了一种人脸规范化方法，该方法提取身份和非身份因素，通过调整身份因素的分布实现了对分辨率较低的人脸图像的超分辨率处理，进而提高监控图像中人脸识别的准确性。

    Nov, 2019

  • 基于样例引导的人脸图像超分辨率重构算法无需面部标志点

    本文提出了基于卷积神经网络的超分辨率解决方案，即 GWAInet，用于对由另一个未约束的高分辨率人脸图像引导的人脸图像进行 8x 超分辨率，该方法不需要面部关键点进行训练，具有很强的鲁棒性，并可以以均匀的方式产生周围面部区域的精细细节，其可生成具有照片般逼真的图像。

    Jun, 2019

  • 使用 GAN 学习图像超分辨率，先学习如何进行图像退化

    本文提出了一种基于生成对抗网络的图像和人脸超分辨率的方法，通过训练高分辨率到低分辨率的 GAN 和低分辨率到高分辨率的 GAN 两个阶段，可以有效地提高实际应用场景下的低分辨率图像的质量，进而在人脸超分辨率领域取得了显著成果。

    Jul, 2018

  • 3FabRec: 基于重构的快速小样本人脸对齐

    本文提出了一种基于半监督学习的方法，其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测，该模型表现出广泛的适应性和高精度，并且在只有十个训练图片的情况下也能保持较高的准确率。

    Nov, 2019