Jun, 2022

基于码本查找变换器的鲁棒盲目人脸修复

PDF
TL;DR本研究针对盲目面部修复这一高度不适定问题，通过使用代码预测任务作为修复映射和生成高质量面部的方法，提出了一种名为 CodeFormer 的转换器预测网络，并设计了一个可控的特征转换模块，以增强方法对不同程度降解的适应性。实验结果表明，CodeFormer 在质量和保真度方面均优于现有技术，并对合成和真实情况下的数据集进行了全面验证验证了我们的方法的有效性。
发现论文，激发创造
  • BFRFormer：用于实际盲目人脸修复的基于 Transformer 的生成器

    提出了一种基于 Transformer 的盲目人脸修复方法 BFRC; 该方法在处理长距离依赖关系方面较传统方法更有效，能够重建保留有身份特征的细节丰富的图像。

    Feb, 2024

  • FaceFormer：基于 Transformer 的尺度感知盲人脸部修复

    本研究提出了一种新型的规模感知的盲目人脸修复模型，名为 FaceFormer，利用 Facial Feature Up-sampling 模块生成动态上采样滤波器以适应不同尺度的脸部输入，并借助于 facial feature embedding 模块利用 transformer 分层提取面部潜在多样性和稳健性，该方法在合成数据集训练得到的结果不仅具有高保真度和鲁棒性，还能泛化至自然低质量图像。

    Jul, 2022

  • RestoreFormer: 从高质量的未降级键值对中进行盲目面部修复

    该研究提出了一种名为 RestoreFormer 的方法，通过完整的空间注意力来建模上下文信息，从而实现从未知降级中恢复高质量人脸图像，并超越了之前的工作。

    Jan, 2022

  • 超越对齐：通过解析引导的时域一致性变换进行盲视频人脸修复

    基于语义解析的时间相干转换器 (PGTFormer) 的盲视频人脸修复方法在保持时间相干性、生成无瑕疵结果方面表现出色，通过利用语义解析引导选取最优人脸先验生成具备时间相关性的结果，实验表明该方法优于之前的基线方法。

    Apr, 2024

  • RestoreFormer++：实现从未劣化键值对进行真实世界的盲目人脸修复

    提出了 RestoreFormer ++，它引入了全空间关注机制来建模上下文信息和先验知识的相互作用，并探索了一个扩展降级模型，以帮助生成更逼真的退化脸部图像以减轻从合成到真实场景的差距。大量实验证实，RestoreFormer ++ 在合成和真实世界数据集上都优于现有算法。

    Aug, 2023

  • 学习图像自适应码本实现类无关图像修复

    本文提出了 AdaCode，一种用于学习图像自适应码书以进行类不可知图像修复的方法，相比之前的工作，AdaCode 更加灵活和表现力，实验结果表明其在图像重建和恢复任务中取得了最先进的性能。

    Jun, 2023

  • 使用矢量量化字典和并行解码器进行盲人面部修复

    提出了基于向量量化和纹理变形的 VQFR 方法，该方法利用高质量的低层特征和并行解码器以及自适应压缩字典来恢复面部细节，提高了面部细节的修复质量。

    May, 2022

  • 警惕别名 - 信号保留对于强健的图像恢复至关重要

    通过在传统的重建变压器中提供无混叠路径，BOA-Restormer 是一种基于变压器的图像恢复模型，能够同时改善模型稳健性和恢复性能。

    Jun, 2024

  • Uformer: 一种通用的 U 形变形器 用于图像修复

    本文介绍了 Uformer - 一种基于 Transformer 的高效图像恢复架构，在其中构建了使用 Transformer 块的分层编码器 - 解码器网络。使用局部增强窗口 (LeWin) Transformer 块和多尺度恢复调制器，Uformer 具有高效捕获局部和全局图像依赖性的能力，可用于多种图像恢复任务，并在实验证明与最先进的算法相比具有卓越的性能。

    Jun, 2021

  • 具有卷积视觉变换器的强韧面部反欺诈框架

    基于卷积视觉变换器的框架通过全局信息和面部图像中的局部线索来改善人脸识别性能和抵抗领域转变的作用，在面部反欺诈和领域泛化等领域取得了显著的提升。

    Jul, 2023