由三维面部先验引导的人脸超分辨率
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
本文提出了一种基于分析图引导的面部超分辨率网络,通过多尺度精化块维护和利用空间和上下文信息来改善可视效果,并在定量指标和视觉质量方面优于现有技术。
Apr, 2023
该研究提出了一种新的 3D 建模和重建学习框架,通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码,提高了深度生成器的广义性。实验结果显示,该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。
Dec, 2020
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
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
本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法,其结合了 3D 可塑模型(3D Morphable Model)的优点和学习校正空间的空外推广优点。
Dec, 2017
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
本文通过神经网络模拟超分辨率框架,可以实现将低成本、实时物理模拟产生的面部表现有效、逼真地提升到接近高分辨率(我们例子中元素数量高出 26 倍)的参考质量,同时补偿了实时模拟的限制和成本削减近似的建模差异,不需要提供任何语义描述符或参数,除了实时模拟的结果。
May, 2023
提出了一种名为 Mask3D 的预训练方法,可以将现有的大规模 RGB-D 数据应用于自监督预训练中,将 3D 先验嵌入到 2D 的学习特征中,并对多个场景理解任务产生了改进,尤其是语义分割。
Feb, 2023
本文提出了一种新型的深度卷积神经网络,该网络使用内部先验来适应低分辨率图像的内部内容,并分析了其优点和缺点,在运行时间和使用内部先验的情况下,在标准数据集上比最佳结果提高了 0.1 至 0.3dB 的 PSNR,特别适合于具有重复结构或大分辨率下的图像。
Mar, 2017