Jun, 2024

W-Net：一种面部特征引导的人脸超分辨网络

PDF
TL;DR通过利用面部先验信息，提出了一种名为 W-Net 的新型网络架构，用于解决面部超分辨率问题，该架构充分利用了低分辨率图像的分辨率潜力，并通过使用预测图和低分辨率图像的融合模块实现多维度的融合，同时平衡了感知质量和像素准确性。实验证明 W-Net 在定量指标、视觉质量和下游任务方面表现出色。
face super-resolutionnetwork architecturew-netlr imagefacial priors
发现论文，激发创造
  • 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

  • 利用面部解析信息进行超分辨率人脸图像处理

    本文提出了一种基于分析图引导的面部超分辨率网络，通过多尺度精化块维护和利用空间和上下文信息来改善可视效果，并在定量指标和视觉质量方面优于现有技术。

    Apr, 2023

  • 基于样例引导的人脸图像超分辨率重构算法无需面部标志点

    本文提出了基于卷积神经网络的超分辨率解决方案，即 GWAInet，用于对由另一个未约束的高分辨率人脸图像引导的人脸图像进行 8x 超分辨率，该方法不需要面部关键点进行训练，具有很强的鲁棒性，并可以以均匀的方式产生周围面部区域的精细细节，其可生成具有照片般逼真的图像。

    Jun, 2019

  • 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

  • 学习面部超分辨率的空间注意力

    本篇论文介绍了一种基于 SPARNet 和 Face Attention Units（FAU）的空间注意力残差网络（SPARNet），能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明，该方法在多种度量标准上的表现优于当前最先进的方法，并能够对合成和真实世界低质量人脸图像进行有效泛化，不需要额外的人工标记数据。

    Dec, 2020

  • 具有关注恢复和关键点估计之间迭代协作的深度面部超分辨率

    本文提出了一种基于深度学习和迭代协作的面部图像超分辨率方法，利用面部上的先验知识和注意力融合模块，相比现有的超分辨率方法取得显著性能提升。

    Mar, 2020

  • HighRes-net：多帧卫星图像超分辨率递归融合

    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

  • 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

    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。

    Jun, 2023

  • 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

  • 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