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
本文研究了盲目还原面部图像的问题,通过使用高品质引导图像及 WarpNet 网络来修正姿势、光照和表情等因素对面部细节的影响,同时使用 CNN 和 Synthetic 数据来完成盲目还原任务。
Apr, 2018
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
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
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
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
该论文基于高斯过程的神经架构搜索方案,通过多种不同的网络结构和超参数选择进行模型集成,设计出一个用于实际图像高清化的深度残差网络,在 AIM 2020 实际图像高清化挑战赛上荣获三项第一。
Sep, 2020
通过提出一种深度残差卷积生成对抗网络(SRResCGAN)来解决真实世界中图像修复过程缺失的问题,该网络通过对 HR 领域的像素级监督来对模型进行敌对训练,并利用残差学习和凸优化技术来最小化能量函数,我们的实验表明,该方法易于部署到其他下采样算子和移动 / 嵌入式设备上,并且能够更好地适应真实世界中的图像噪声问题。
May, 2020
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
使用 “Low-Res Leads the Way”(LWay)训练框架,结合有监督预训练和自监督学习,通过提取低分辨率(LR)图像的降级嵌入,与超分辨输出合并进行 LR 重建,并利用未见过的 LR 图像进行自监督学习,从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力,并通过离散小波变换(DWT)进一步改进对高频细节的聚焦,该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力,并超越了现有方法,是一种适用于实际图像超分辨应用的通用训练方案。
Mar, 2024