Aug, 2020

边缘和身份保留网络用于人脸超分辨率

PDF
TL;DR该论文提出了一种有效的人脸超分辨率恢复方法，称为 EIPNet，采用轻量级边缘块和身份信息来最小化变形。该方法还定义了身份损失函数来保留 SR 图像的身份信息，提供了 LCE 方法来分别推断 SR 图像中的亮度和颜色信息，并使网络能够在 RGB 和 YUV 两个颜色空间中反映 SR 图像与它们的 Ground Truth 之间的差异。大量实验证明，该网络在两个具有挑战性的数据集 CelebA 和 VGGFace2 上表现优于最先进的方法。
发现论文，激发创造
  • 从风格化肖像中恢复保持身份特征的人脸

    本文提出了一种 IFRP 方法，结合了 SRN 和 DN 网络，通过 STN 自动矫正艺术肖像图像的定位问题，并使用 FaceNet 网络检测提取人脸特征，从而实现从不对齐的肖像中恢复出保留主体身份的高质量真实面部图像。

    Apr, 2019

  • EfficientSRFace: 一种高效的具有超分辨增强的网络，用于准确的面部检测

    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

  • 利用增强感知超分辨率网络分析感知 - 失真权衡

    本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

    Nov, 2018

  • 用于高效超分辨率的边缘增强特征蒸馏网络

    本文提出通过结合 block devising、architecture searching 和 loss design，构建轻量级卷积神经网络（CNN）来提高图像超分辨率质量。我们提出了一种名为 EFDN 的边缘增强特征蒸馏网络，在受限资源下保留高频信息。该方法构建了基于现有重参数方法的边缘增强卷积模块，并提出了边缘增强梯度损失来校准重参数路径训练。实验结果表明，提出的边缘增强策略能够保留边缘并显著提高最终恢复质量。

    Apr, 2022

  • FSRNet：基于面部先验的端到端学习人脸超分辨率

    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

  • 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

  • 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

  • 由三维面部先验引导的人脸超分辨率

    该研究提出了一种将 3D 人脸先验知识与深度卷积神经网络相结合的人脸超分辨率方法。实验结果表明，所提出的方法在面部超分辨率方面取得了优异的效果。

    Jul, 2020

  • 利用特权信息学习高效图像超分辨率

    本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN，该方法使用极小的网络参数达到了良好的效果，并使用一种新颖的蒸馏框架，通过教师和学生网络进行高分辨率的重建，大大提升了网络性能。

    Jul, 2020

  • AdderSR：面向能量高效的图像超分辨率

    本文提出了针对单张图像超分辨率问题的 AdderNet 神经网络，通过插入 shortcut 进行 identity mapping 增强和引入可学习能力的 power activation 进行细节调整，具有可比较的性能和可视化效果，同时能够使能耗减少约 2 倍。

    Sep, 2020