Panini-Net: 基于 GAN 先验的面部修复特征插值算法

AAAIMar, 2022

Panini-Net: 基于 GAN 先验的面部修复特征插值算法

Panini-Net: GAN Prior Based Degradation-Aware Feature Interpolation for Face Restoration

Yinhuai Wang, Yujie Hu, Jian Zhang

TL;DR本文中，我们提出了一种基于降级感知特征插值网络的 GAN 先验方法，命名为 Panini-Net，用于面部恢复任务，可实现多种降级图像的面部恢复和面部超分辨率，实验证明其获得了业内领先的性能。

Abstract

Emerging high-quality face restoration (FR) methods often utilize pre-trained GAN models (\textit{i.e.}, StyleGAN2) as gan prior. However, these methods usually struggle to balance realness and fidelity when faci

face restoration gan prior degradation-aware feature interpolation panini-net

发现论文，激发创造

野外瞎目人脸修复的 GAN 预测嵌入网络

该研究提出了一种将基于生成对抗网络的高质量人脸图像生成器嵌入到 U 型深度神经网络中的盲目人脸修复方法，其能更好地控制全局脸部结构、局部面部细节和背景，并在野外环境下显著提高盲目人脸修复的效果。

May, 2021

一种全方位的多降级图像恢复网络基于层次化降级表示

我们提出了一种全能多退化图像恢复网络 (AMIRNet)，通过聚类逐步构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块 (FTB) 弥补领域差异，从而实现从各种未知失真中恢复高质量图像的目标。

Aug, 2023

利用深度生成先验进行多功能图像修复和操作

本文介绍了一种有效利用生成对抗网络 (DGP) 捕获的图像先验的方法，它可以恢复各种退化图像中缺失的语义信息，还可以进行多样化的图像操作，通过松弛现有的 GAN 反演方法的假设，允许生成器以渐进的方式进行微调，并在 GAN 中的鉴别器处获得的特征距离作为正则项。这些易于实现和实用的改变有助于保持重构，使其保持在自然图像流形中，从而可以更准确、更忠实地重构真实图像。

Mar, 2020

学习变形引导的盲目人脸修复

本文研究了盲目还原面部图像的问题，通过使用高品质引导图像及 WarpNet 网络来修正姿势、光照和表情等因素对面部细节的影响，同时使用 CNN 和 Synthetic 数据来完成盲目还原任务。

Apr, 2018

深度广义展开网络用于图像修复

该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network（DGUNet）进行图像修复，通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路，实现对复杂和现实世界图像的修复，同时保持了透明度和可解释性。实验结果表明，该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。

Apr, 2022

UGPNet：通用图像修复生成先验

本文提出了 UGPNet，这是一个通用图像修复框架，通过采用现有的回归模型和生成模型的组合，有效地实现了回归和生成方法的优点，能够成功地实现高保真图像修复。

Dec, 2023

双重降级启发的深度展开网络用于低光图像增强

基于深度展开网络的双重退化启发的低光图像增强模型，通过构建双重退化模型来显式模拟低光图像的恶化机制，学习两个不同的图像先验，并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。

Aug, 2023

使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界

提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战，通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间，提供了语义分割的鲁棒解决方案，对于有限的训练数据的多类问题具有推进意义。

Dec, 2023

HiFaceGAN: 基于协同压抑与补偿的人脸修复

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

基于宽深学习的空间和强度自适应图像恢复

本文提出了一种新的神经网络架构 DparNet，通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化，该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效，模型参数数量和计算复杂度均较小。

May, 2023