学习变形引导的盲目人脸修复
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
该研究提出了一种利用深度学习的 WarpNet 架构匹配局部未注释的微粒级细节图像数据集中物体的方法,可以在外观、视角和关节角度变化的情况下进行单视图重构。
Apr, 2016
该研究提出了一种将基于生成对抗网络的高质量人脸图像生成器嵌入到 U 型深度神经网络中的盲目人脸修复方法,其能更好地控制全局脸部结构、局部面部细节和背景,并在野外环境下显著提高盲目人脸修复的效果。
May, 2021
通过利用面部先验信息,提出了一种名为 W-Net 的新型网络架构,用于解决面部超分辨率问题,该架构充分利用了低分辨率图像的分辨率潜力,并通过使用预测图和低分辨率图像的融合模块实现多维度的融合,同时平衡了感知质量和像素准确性。实验证明 W-Net 在定量指标、视觉质量和下游任务方面表现出色。
Jun, 2024
本文提出了一种新的深度神经网络架构,采用粗到细的图像变形和像素强度校正的方式,可以处理人脸重定向问题的特定实例,经过数值比较和用户研究表明可行。该架构能够在前向过程中处理所有操作,并以端到端的方式联合学习所有操作的参数。在学习之后,该神经网络能够合成具有操作后视线的图像,而重定向角度可从某一范围内自由选择提供给网络作为输入。
Jul, 2016
提出了一种基于 Transformer 的盲目人脸修复方法 BFRC; 该方法在处理长距离依赖关系方面较传统方法更有效,能够重建保留有身份特征的细节丰富的图像。
Feb, 2024
本研究针对现有的面部修复技术的限制,提出了一种名为 Face Renovation(FR)的语义引导生成方法,并采用协同抑制补充(CSR)策略解决这个更具挑战性和实际问题,最终构建了多阶段嵌套 CSR 单元的 HiFaceGAN。实验证明,HiFaceGAN 在包含丰富背景干扰的真实图像中具有出色的修复性能,展示了其在面部图像处理中的多用途、稳健性和泛化能力。
May, 2020
本文中,我们提出了一种基于降级感知特征插值网络的 GAN 先验方法,命名为 Panini-Net,用于面部恢复任务,可实现多种降级图像的面部恢复和面部超分辨率,实验证明其获得了业内领先的性能。
Mar, 2022
通过同时考虑特征和图像级别的引导融合,我们提出了一种 Simultaneous Feature and Image Guided Fusion (SFIGF) 网络用于图像导向恢复任务,该网络结合了传统的引导滤波机制和深度学习方法,旨在同时恢复图像的上下文信息和细节信息。
Dec, 2023
该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network(DGUNet)进行图像修复,通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路,实现对复杂和现实世界图像的修复,同时保持了透明度和可解释性。实验结果表明,该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。
Apr, 2022