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
该研究提出了一种基于关注机制和强化学习的脸部超分辨率重建方法,其中利用长期回报关系同时训练了递归策略网络和局部增强网络,以利用全局依赖关系和人脸图像本身特征为不同图片适配最优搜索路径,相比已有方法在野外大姿态、大光照变化下显著提高了重建性能。
Aug, 2017
该论文提出了一种新的框架来幻想姿态不受限、分辨率非常低的面部图像,并在统一的框架内交替优化两个互补的任务,即面部幻象和密集对应场估计,并提出一种新的门控深度双向神经网络以恢复不同层次的纹理细节,广泛的实验证明这种表述方式在低分辨率、有显著姿势和光照变化的野外低分辨率面孔上具有例外的幻象质量。
Jul, 2016
本文介绍了一种基于深度学习的脸部图像修复方法,通过两个阶段的处理,第一阶段采用 CNN 生成基础的面部组件,第二阶段合成高分辨率训练图片中的精细面部结构,实现面部图像的还原。实验证明,这种方法具有竞争力。
本文提出了一种多路径编码器结构来提取多路径输入的特征,多路径注意力融合块模块来融合多路径特征,以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时,提出了一种新的卷积神经网络架构,名为注意力融合网络 (AFNet)。基于该 AFNet,在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数,在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数,取得了最先进的性能。
May, 2021
采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割,能够更好地捕捉图像中的上下文依赖关系,去除冗余的信息提取并集成本地特征和全局依赖,强调相关特征关联,从而取得更好的分割效果。
Jun, 2019
通过卷积神经网络实现人脸超分辨率,使用面部分割和注意力机制保留面部特征,迭代地对高分辨率图片进行处理以达到更好的视觉效果和量化指标,达到了当前技术的最佳表现。
Oct, 2019
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
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
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