微小人脸的联合超分辨率与对齐
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
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
本文提出了一种基于深度学习和迭代协作的面部图像超分辨率方法,利用面部上的先验知识和注意力融合模块,相比现有的超分辨率方法取得显著性能提升。
Mar, 2020
为解决深度人脸检测在低分辨率人脸检测中的性能问题,本文提出了一种新的高效检测器 EfficientSRFace,引入了特征级超分辨率重建网络,并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。
Jun, 2023
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
提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型,用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace,与现有的基准数据集相比,TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。
Nov, 2018
提出了一种使用统一框架进行人脸图像超分辨率的算法,该算法采用三个自编码器、一个特征权重回归器和一个最终的图像解码器作为神经网络结构,可以对多种不同低分辨率的输入图像进行超分辨率处理,实现了领先水平的性能表现。
Jun, 2023
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
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。
Dec, 2017