Jun, 2023

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

PDF
TL;DR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。
face detectionlow-resolution facesdeep convolutional neural networkfeature-level super-resolution reconstruction networkdetection accuracy
发现论文，激发创造
  • 任务驱动超分辨率：低分辨率图像中的目标检测

    本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

    Mar, 2018

  • 一种用于超分辨率低分辨率人脸图像的统一框架

    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

  • 利用面部关键点注意力的渐进式人脸超分辨率

    本论文提出了一种新颖的面部高清晰度恢复方法，采用了渐进式训练、面部注意力损失和压缩的人脸标注热图提取网络，实现了全面的面部特征恢复，使得图像更为逼真清晰，表现最好。

    Aug, 2019

  • 微小人脸的联合超分辨率与对齐

    本文提出一种联合对齐和超分辨率网络，通过共享深度编码器提取特征，实现同时检测面部标记和超分辨率。实验证明，该模型在检测微小面部标记和超分辨率方面优于现有方法。

    Nov, 2019

  • 边缘和身份保留网络用于人脸超分辨率

    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。

    Aug, 2020

  • 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

  • 低分辨率人脸识别

    提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型，用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace，与现有的基准数据集相比，TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。

    Nov, 2018

  • 用于真实世界人脸超分辨率的师生网络与边缘信息渐进嵌入

    提出了一种考虑真实数据和合成数据之间领域差异的面向真实世界的人脸超分辨率教师 - 学生模型，通过使用循环网络中间输出逐步包含各种边缘信息，此方法在获取高质量的真实世界人脸超分辨率图像方面超越了现有的先进方法。

    May, 2024

  • 用于高性能人脸检测的选择性细化网络

    本文介绍了一种新的单次检测人脸算法 —— 选择性精化网络（SRN），通过引入新奇的两步分类和回归操作，可以减少假阳性，同时提高定位准确性，随即提出了两个模块，选择性两步分类（STC）和选择性两步回归（STR），并设计可接受的感受野扩展块（RFE）来更好地捕获面部的一些极端姿势，最终在 AFW，PASCAL face，FDDB 和 WIDER FACE 数据集上均取得了最新的性能。

    Sep, 2018

  • RefineFace: 高性能人脸检测的细节优化神经网络

    该论文提出了一种名为 RefineFace 的单次精炼人脸检测器，它由五个模块组成：选择性二步回归、选择性二步分类、比例感知边缘损失、特征监督模块和感受野增强。实验结果表明，该方法在 WIDER FACE、AFW、PASCAL Face、FDDB、MAFA 等数据集上均取得了最先进的结果，并在 VGA 分辨率图像中以 37.3 FPS 的速度运行。

    Sep, 2019