GCFSR: 一种基于生成和控制的人脸超分辨率方法,无需利用面部和 GAN 先验知识
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
本文提出了一种支持多模式脸部艺术风格化的框架,利用 StyleGAN 的优势,并将其集成到编码器 - 解码器架构中进行高质量的面部生成,输出结果显示该框架在一次和零次风格化任务中均能实现比现有方法更出色的面部风格化性能。
May, 2023
提出了一种可控人脸合成模型,通过在样式潜空间中模拟目标数据集的分布,实现在非受限环境下的面部识别(FR)任务,并可指导合成图像的 FR 模型训练,获得了在 IJB-B、IJB-C、TinyFace 和 IJB-S 等非受限测试基准上的显著性能提升(+5.76% Rank1)
Jul, 2022
通过引入 Convolutional Transformer 层(ConvFormer)和基于 ConvFormer 的超分辨率网络(CFSR),提出了一种有效且高效的轻量级图像超分辨率任务解决方案,通过使用大卷积核卷积作为特征混合器替代自注意模块,实现了较长范围依赖关系和广泛接受域的建模,同时在计算成本稍微增加的情况下保留了更多高频信息,并且相对于现有的轻量级 SR 方法在计算成本和性能之间取得了先进的平衡。
Jan, 2024
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
本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net,首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务,并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理,促进了地球观测数据的应用。
Feb, 2020
本文提出了一种名为 PSFR-GAN 的新型渐进式语义感知风格转换框架,用于面部图像修复。该框架通过多尺度逐步修复 LQ 面部图像,并在语义感知风格转移的同时从粗糙到精细地调制不同比例尺寸的特征。同时,引入了一种语义感知风格损失,以改善面部纹理的细节,并通过合成数据进行了实验验证。
Sep, 2020
本研究针对现有的面部修复技术的限制,提出了一种名为 Face Renovation(FR)的语义引导生成方法,并采用协同抑制补充(CSR)策略解决这个更具挑战性和实际问题,最终构建了多阶段嵌套 CSR 单元的 HiFaceGAN。实验证明,HiFaceGAN 在包含丰富背景干扰的真实图像中具有出色的修复性能,展示了其在面部图像处理中的多用途、稳健性和泛化能力。
May, 2020
本文提出了 SRGAN 框架,通过引入对抗性损失和感知损失函数,成功应用 GAN 进行图像超分辨率,能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。
Sep, 2016
我们研究了基于 transformer 的单图像超分辨率方法,并发现 transformer 结构在捕捉低频信息方面更加擅长,但相较于卷积模型在构建高频表示方面容量有限。我们提出的 CRAFT 方法综合了卷积和 transformer 结构的优势,在多个数据集上实验结果表明,CRAFT 方法在参数更少的情况下比当前最先进的方法提高了 0.29dB。
Aug, 2023