May, 2019

通过先验辅助的人脸超分辨率重建和残差知识蒸馏实现不同分辨率下的人脸识别

PDF
TL;DR该研究提出了一个统一的分辨率不变模型（RIM）来解决低分辨率人脸识别问题，其中包含面部幻觉子网络（FHN）和异构识别子网络（HRN）。FHN 是一个三路生成对抗网络（GAN），使用无监督跨域对抗训练策略将非常低的分辨率查询图像超分辨率到比其 8 倍大的图像，HRN 是一个泛用的卷积神经网络（CNN），用于具有提取判别性特征表示的残差知识蒸馏策略的异构人脸识别。
face recognitionresolution invariant modeldeep learninggenerative adversarial networkheterogeneous face recognition
发现论文，激发创造
  • 基于深度 CNN 去噪和多层邻域分量嵌入的人脸超分辨率算法

    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

  • 人脸识别的跨分辨率学习

    本文提出了一种训练方法来 fine-tune 现代的人脸识别模型，以帮助它们提取抗分辨率的深层特征，同时也考虑了高低分辨率和低质量人脸识别的问题，并展示了使用超分辨率技术进行预处理可以更有效地使用我们的方法。

    Dec, 2019

  • 一种用于野外图像中准确详细人脸重建的分层表示网络

    本文介绍了一种新的分层表示网络（HRN），通过几何分离和分层表示来实现对细节精确的面部重建。同时，考虑不同视角的细节一致性，提出了一种去除重新贴图模块。通过在两个单视图和两个多视图 FR 基准上的实验，展示了该方法在重建精度和视觉效果方面的优越性，并引入了高质量的 3D 面部数据集 FaceHD-100。

    Feb, 2023

  • 低分辨率信息也很重要：学习多分辨率的人员再识别表示

    本文提出了一种名为 MRJL 的跨分辨率人物再识别方法，其通过分辨率重构网络和双特征融合网络提取并融合了多分辨率图像中的有效信息，并在五个基准测试中取得了优于现有方法的效果。

    May, 2021

  • 用于面部图像超分辨率的超身份卷积神经网络

    提出一种 Super-Identity 卷积神经网络（SICNN）用于人脸超分辨率生成任务，该方法能够恢复面部身份信息并克服动态域分歧问题，可以生成更加真实的面孔并显著提高超低分辨率人脸的可识别性。

    Nov, 2018

  • 深度联合人脸超分辨与识别

    本研究使用深度卷积网络联合学习面部图像超分辨率重构和人脸识别任务，设计了一个端到端的深度卷积网络，其中重构子网络与识别子网络级联，后者使用散发器作为输入，优化两个损失项进行训练，并在 LFW 和 YTF 数据集上进行了广泛的评估。实验结果表明，相比传统的人脸识别模型，本方法在 4 倍下采样的 LFW 测试集上可以实现 97.95％的识别准确率，并在更具挑战性的 YTF 数据集上实现了 90.65％的识别准确率。

    Nov, 2016

  • 层叠超分辨率和身份先验的人脸变形重建

    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

  • 跨分辨率对抗双网络在人员身份识别及其扩展中的应用

    通过提出的生成对抗网络方法，该论文给出了一个用于解决跨分辨率人员重识别问题的方法，具有较强的抗噪能力和可泛化性。

    Feb, 2020

  • 深度高分辨率表示学习用于视觉识别

    High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

    Aug, 2019

  • 全局 - 局部人脸上采样网络

    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