CN111127316A - 一种基于sngan网络的单幅人脸图像超分辨方法及*** - Google Patents

一种基于sngan网络的单幅人脸图像超分辨方法及*** Download PDF

Info

Publication number
CN111127316A
CN111127316A CN201911038833.6A CN201911038833A CN111127316A CN 111127316 A CN111127316 A CN 111127316A CN 201911038833 A CN201911038833 A CN 201911038833A CN 111127316 A CN111127316 A CN 111127316A
Authority
CN
China
Prior art keywords
resolution
network
image
super
sngan
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911038833.6A
Other languages
English (en)
Other versions
CN111127316B (zh
Inventor
陈振学
王梦雪
李现明
周新洁
董波
何为凯
牛停举
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rizhao Antai Technology Development Co ltd
Shandong Orion Electronics Co ltd
Shenzhen Research Institute Of Shandong University
Shandong University
Shandong Jiaotong University
Original Assignee
Rizhao Antai Technology Development Co ltd
Shandong Orion Electronics Co ltd
Shenzhen Research Institute Of Shandong University
Shandong University
Shandong Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rizhao Antai Technology Development Co ltd, Shandong Orion Electronics Co ltd, Shenzhen Research Institute Of Shandong University, Shandong University, Shandong Jiaotong University filed Critical Rizhao Antai Technology Development Co ltd
Priority to CN201911038833.6A priority Critical patent/CN111127316B/zh
Publication of CN111127316A publication Critical patent/CN111127316A/zh
Application granted granted Critical
Publication of CN111127316B publication Critical patent/CN111127316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于SNGAN网络的单幅人脸图像超分辨方法及***，包括：收集高分辨率人脸图像，采用双三次插值的方法进行下采样，获得相应的低分辨率人脸图像，并随机将其分成训练集和测试集；将训练集中的低分辨率人脸图像输入到生成网络G中进行训练，输出重建的超分辨率图像；将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中；由判别网络判断图像是来自生成网络G还是原始高分辨率图像，若判别为原始高分辨率图像，则将需要重建的图像再经过生成网络G进行超分辨重建；若判别图像来自生成网络，则重建过程结束。本发明方法可以有效地提高识别成功率，可以更准确地掌握涉案人员的人脸特征。

Description

一种基于SNGAN网络的单幅人脸图像超分辨方法及***
技术领域
本发明涉及人脸图像超分辨技术领域，特别涉及一种基于SNGAN网络的单幅人脸图像超分辨 方法及***。
背景技术
图像超分辨率重建是计算机视觉领域的一个经典问题。它是一种图像提高成 像分辨率的技术。它旨在将给定的低分辨率图像恢复为高分辨率图像。人脸超分 辨率重建是其中的重要分支之一。人脸超分辨率重建在人脸识别、身份认证、智 能监控等诸多领域有着重要的应用价值。然而，发明人发现，由于摄像头设备物 理特性、光照条件和距离等问题的影响，监控视频中的人脸图像往往分辨率较低， 人脸细节信息不够突出。
目前，人脸识别***已经广泛应用于国家安全、企业安全保护、个人隐私管理等方面， 市面上已经有多款人脸识别***投入使用。然而，发明人发现，目前流行的人脸识别算法仅 仅对于高分辨率人脸图像(分辨率大于15x15)可以得到较高的识别率，其面临的主要问题 是对低分辨率人脸图像的识别率较低。因为人脸在低分辨率条件下，各种特性都将会迅速退 化，许多在高分辨率人脸图像中重要的识别特征将难以提取，最终导致识别率降低。
发明内容
为了解决上述问题，本发明提供了一种基于SNGAN网络的单幅人脸图像超分辨方法及系 统，其将生成对抗网络应用在人脸超分辨算法上，由生成网络通过低分辨率人脸图像生成一 个高分辨人脸重建图像，然后由判别网络判断其得到的图片是由生成网络生成的，还是数据 库原图像。当生成网络生成的图像能够成功骗过判别网络的时候，最终完成人脸图像超分辨 过程。
为了实现上述目的，在一些实施方式中，本发明采用如下技术方案：
一种基于SNGAN网络的单幅人脸图像超分辨方法，包括：
收集高分辨率人脸图像，采用双三次插值的方法进行下采样，获得相应的低分辨率人脸 图像，并随机将其分成训练集和测试集；
将训练集中的低分辨率人脸图像输入到生成网络G中进行训练，输出重建的超分辨率图 像；
将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中；
由判别网络判断图像是来自生成网络G还是原始高分辨率图像，若判别为原始高分辨率 图像，则将需要重建的图像再经过生成网络G进行超分辨重建；若判别图像来自生成网络， 则重建过程结束。
进一步地，所述的下采样倍数分别为2倍、4倍和8倍。
进一步地，将低分辨率人脸图像输入到生成网络G中进行训练，具体为：
将输入的低分辨率人脸图像分为设定大小的图像块；
将得到的图像块输入到生成网络G中进行训练，输出设定个数的特征图；
将输出的特征图输入到密集连接块；所述密集连接块包括若干卷积层；
密集连接块的输出经过卷积处理后得到输出结果。
进一步地，将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中， 具体为：
S3.1,在判别网络中，用大小为1×1的卷积核对输入的生成的超分辨人脸图像和原始高 分辨人脸图像对做卷积处理；
S3.2,将上一步得到的特征图经过LeakyReLU激活函数，输出非线性特征图；
S3.3,将得到的非线性特征图经过频谱归一化卷积层；
S3.4,将S 3.3得到的特征图经过批量归一化层和LeakyReLU激活函数；
S3.5,将上述S3.2,S3.3,S3.4步骤重复设定次数，且卷积核都为3×3，卷积核的数量 以2倍的速率由64增长到512；
S3.6,构造一个全连接隐藏层，经过一个LeakyReLU激活函数，再经过一个denselayer 全连接层；
S3.7,将S3.6得到的结果经过sigmoid函数进行非线性激活；输出结果0或者1，用来 判定输入的图像是来自生成网络还是训练图像。
进一步地，由判别网络判断图像是来自生成网络G还是原始高分辨率图像，判别网络的 损失函数为对抗损失函数，如下表示：
Figure BDA0002252296410000021
其中，VD(G,D)代表对抗损失函数，D()代表判别映射函数，G()代表生成映射函数，E代表取期望，
Figure BDA0002252296410000031
代表训练数据的分布，
Figure BDA0002252296410000032
代表IHR服从P分布，
Figure BDA0002252296410000033
代 表经过生成器后的数据分布，
Figure BDA0002252296410000034
代表ILR服从P分布。
在另一些实施方式中，本发明采用如下技术方案：
一种基于SNGAN网络的单幅人脸图像超分辨***，包括：
用于收集高分辨率人脸图像的装置；
用于采用双三次插值的方法进行下采样，获得相应的低分辨率人脸图像，并随机将其分 成训练集和测试集的装置；
用于将训练集中的低分辨率人脸图像输入到生成网络G中进行训练，输出重建的超分辨 率图像的装置；
用于将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中的装置；
用于由判别网络判断图像是来自生成网络G还是原始高分辨率图像装置；用于在判别为 原始高分辨率图像时，将需要重建的图像再经过生成网络G进行超分辨重建的装置。
在另一些实施方式中，本发明采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机 可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于SNGAN网络 的单幅人脸图像超分辨方法。
在另一些实施方式中，本发明采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设 备的处理器加载并执行上述的基于SNGAN网络的单幅人脸图像超分辨方法。
本发明有益效果：
本发明利用生成对抗网络对低分辨率的人脸图像进行超分辨，得到一个高分辨率人脸图 像，本发明提出的人脸超分辨算法可以作为人脸识别***的前期处理，将低分辨率人脸图像 经过人脸超分辨***得到高分辨率人脸图像，再进行人脸识别，这样可以有效地提高识别成 功率，并且，本发明提出的人脸超分辨算法能有效帮助公安机关更准确地掌握涉案人员的人 脸特征，为办案人员尽快侦破案件提供有力支持。
附图说明
图1是本发明实施例中基于生成对抗网络的人脸图像超分辨方法流程图；
图2是本发明实施例中生成网络模型示意图；
图3是本发明实施例中判别网络模型示意图；
图4是本发明实施例中提出的网络在celebA数据集上超分辨重建的结果图 与原始图像对比。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步的说明。
实施例一
如图1所示，本实施例的一种基于生成对抗网络的人脸图像超分辨方法，包括：
S1：预处理高分辨率人脸图像，对高分辨率人脸进行下采样，得到低分辨率人脸图像， 进而形成训练集和测试集。
具体的，在步骤S101中，收集高分辨率人脸图像，并将其分别进行下采样，获得相应的 高低分辨率图像对，随机将其分成训练集和测试集。
其中，低分辨率图像的下采样倍数分别为2倍，4倍，8倍。
S2，利用SNGAN结构对图像ILR进行超分辨重建。
S2.1，首先将输入ILR图像分为大小96×96的图像块
S2.2,参照图2，将得到的图像输入到生成网络G中进行训练:输入的低分辨率人脸图像 首先经过由两层卷积核为3×3，步长为1，输出为64个特征图的浅层特征提取网络。
S2.3将上一步输出的特征图输入到一个密集块(denseblock)，密集块的结构为Conv-PReLU-Conv。对于密集块，每一个卷积第i层接收的特征图是前面所有卷积层生成的特 征图的串联，公式如下：
li＝max(0,wi×[l1,l2,…li-1]+bi)
其中，[l1,l2,…li-1]表示在前面的i-1个卷积层生成的特征图的串联。
在本发明中，使用一个密集块，每个密集块包含16个卷积层，每个卷积核大小为3×3， 增长率k设置为12。
PReLU参数校正线性单元是ReLU的改进版本，数学表达式如下所示：
Figure BDA0002252296410000041
其中，ai是一个很小的常数，xi是输入，yi是输出结果。
S2.4,上一步输出的特征图进入下一个大小为1×1，步长为1的卷积操作，目的是减少 输入特征图的数量以节约计算成本和模型尺寸；
S2.5,将上一步输出的特征图输入到两层子像素卷积层(subpixel)；
S2.6,最后，将上一层的输出经过一个大小为9×9，步长为1的卷积层，输出结果为G (z)。
生成网络的损失函数为：
Figure BDA0002252296410000051
其中
Figure BDA0002252296410000052
表示像素均方误差(pixelwiseloss)，
Figure BDA0002252296410000053
表示感知损失(perceptualloss)，
Figure BDA0002252296410000054
代表对抗损失。具体公式如下：
Figure BDA0002252296410000055
其中W,H代表ILR的尺寸，r是下采样的倍数。本发明中r＝2，4，8。
Figure BDA0002252296410000056
感知损失是定义在基于预先训练的VGG-19网络的ReLU激活层上的函数。其中Wi，j和 Hi，j代表在VGG网络中各个特征映射的维度，i表示在VGG网络中在第i个最大池化层之前的第j个卷积层得到的特征映射。在本发明中使用ReLU54，它在实验中取得了很好的结果。
参照图3，本发明使用频谱归一化生成对抗网络(SNGAN)中提出的hingeloss。算法由 下列式子给出：
Figure BDA0002252296410000057
Figure BDA0002252296410000058
分别代表生成网络和判别网络。
因此，本发明中使用的对抗损失如下公式所示：
Figure BDA0002252296410000059
S3将生成网络的输出结果G(z)和原始高分辨人脸图像一起输入到判别网络。
S3.1,首先经过一个大小为1×1，步长为1的卷积层，输出为64个特征图.
S3.2,然后进入LeakyReLU激活函数。LeakyReLU激活函数是Relu的改进版本，引入负 的非零梯度，其数学表达式为：
Figure BDA0002252296410000061
其中，ai是(1，+∞)区间内的固定参数，xi是输入，yi是输出结果。
S3.3,上一步输出的特征图经过多次频谱归一化卷积操作，卷积操作包括八个卷积。
频谱归一化会归一化判别网络权重矩阵W的频谱范数，使其满足Lipschitz约束σ(w)＝1：
WSN(W)＝W/σ(W)
其中σ(w)是矩阵W的奇异值。
S3.4,使用LeakyReLU作为激活函数，并且所有卷积层都进行批量归一化。
S3.5,将上述S3.2,S3.3,S3.4步骤重复8次，且卷积核都为3×3，卷积核的数量以2倍的速率由64增长到512,每次特征数量加倍时，卷积步长由1变为2以降低图像分辨率， 最后得到特征图的数量为512；
S3.6,Dense操作，即构造一个全连接隐藏层，输出16×1024；经过LeakyReLU激活层； 再经过一个denselayer全连接层，输出16×1；
S3.7,sigmod操作；sigmoid操作是常用的非线性激活函数，输出结果是0和1，在这里 用来判定输入的图像是来自生成网络还是训练图像其数学表达式为：
Figure BDA0002252296410000062
其中x代表输入，y代表输出。
S4,输出结果，判断图像是来自生成网络G还是训练数据鉴别网络的损失函数为对抗损失 函数，如下表示：
Figure BDA0002252296410000063
判别网络进行200000次迭代，生成网络同样进行200000次迭代，生成网络和判别网络 交替训练。
S5,将需要重建的图像再经过生成网络G超分辨重建，重复以上S2-S4的步骤。
表1是四种方法在celebA数据集上的测试结果。
表1中，PSNR表示峰值信噪比，是一种评价图像的客观标准。SSIM表示结构相似性，是 一种衡量两幅图像相似度的指标。两个指标越高表示越接近原图。VDSR，SRGAN是现有的最 先进的效果很好的图像超分辨技术，由表1可见，通过与双三次插值，VDSR，SRGAN相比，本发明在两种指标上的结果比它们都高。
表1四种方法测试结果
Figure BDA0002252296410000071
图4是本发明提出的网络在celebA数据集上超分辨重建的结果图与原始图像对比，可以 看出我们方法重建的结果近似原始图像，几乎难以分辨。
从本发明提出的网络与Bicubic，VDSR，SRGAN在celebA数据集上超分辨重 建的结果对比，可以看出其他方法相对模糊，而本发明提出的网络保留了更多的 细节信息。
实施例二
在一些实施方式中，公开了一种基于SNGAN网络的单幅人脸图像超分辨***，包括：
用于收集高分辨率人脸图像的装置；
用于采用双三次插值的方法进行下采样，获得相应的低分辨率人脸图像，并随机将其分 成训练集和测试集的装置；
用于将训练集中的低分辨率人脸图像输入到生成网络G中进行训练，输出重建的超分辨 率图像的装置；
用于将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中的装置；
用于由判别网络判断图像是来自生成网络G还是原始高分辨率图像装置；用于在判别为 原始高分辨率图像时，将需要重建的图像再经过生成网络G进行超分辨重建的装置。
实施例三
在一些实施方式中，公开了一种终端设备，其包括处理器和计算机可读存储介质，处理 器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并 执行实施例一所述的基于SNGAN网络的单幅人脸图像超分辨方法。
在另一些实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指 令适于由终端设备的处理器加载并执行实施例一所述的基于SNGAN网络的单幅人脸图像超分 辨方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限 制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于SNGAN网络的单幅人脸图像超分辨方法，其特征在于，包括：
收集高分辨率人脸图像，采用双三次插值的方法进行下采样，获得相应的低分辨率人脸图像，并随机将其分成训练集和测试集；
将训练集中的低分辨率人脸图像输入到生成网络G中进行训练，输出重建的超分辨率图像；
将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中；
由判别网络判断图像是来自生成网络G还是原始高分辨率图像，若判别为原始高分辨率图像，则将需要重建的图像再经过生成网络G进行超分辨重建；若判别图像来自生成网络，则重建过程结束。
2.如权利要求1所述的一种基于SNGAN网络的单幅人脸图像超分辨方法，其特征在于，所述的下采样倍数分别为2倍、4倍和8倍。
3.如权利要求1所述的一种基于SNGAN网络的单幅人脸图像超分辨方法，其特征在于，将低分辨率人脸图像输入到生成网络G中进行训练，具体为：
将输入的低分辨率人脸图像分为设定大小的图像块；
将得到的图像块输入到生成网络G中进行训练，输出设定个数的特征图；
将输出的特征图输入到密集连接块；所述密集连接块包括若干卷积层；
密集连接块的输出经过卷积处理后得到输出结果。
4.如权利要求1所述的一种基于SNGAN网络的单幅人脸图像超分辨方法，其特征在于，将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中，具体为：
S3.1,在判别网络中，用大小为1×1的卷积核对输入的生成的超分辨人脸图像和原始高分辨人脸图像对做卷积处理；
S3.2,将上一步得到的特征图经过LeakyReLU激活函数，输出非线性特征图；
S3.3,将得到的非线性特征图经过频谱归一化卷积层；
S3.4,将S3.3得到的特征图经过批量归一化层和LeakyReLU激活函数；
S3.5,将上述S3.2,S3.3,S3.4步骤重复设定次数，且卷积核都为3×3，卷积核的数量以2倍的速率由64增长到512；
S3.6,构造一个全连接隐藏层，经过一个LeakyReLU激活函数，再经过一个denselayer全连接层；
S3.7,将S3.6得到的结果经过sigmoid函数进行非线性激活；输出结果0或者1，用来判定输入的图像是来自生成网络还是训练图像。
5.如权利要求1所述的一种基于SNGAN网络的单幅人脸图像超分辨方法，其特征在于，由判别网络判断图像是来自生成网络G还是原始高分辨率图像，判别网络的损失函数为对抗损失函数，如下表示：
Figure FDA0002252296400000021
其中，VD(G,D)代表对抗损失函数，D()代表判别映射函数，G()代表生成映射函数，E代表取期望，
Figure FDA0002252296400000022
代表训练数据的分布，
Figure FDA0002252296400000023
代表IHR服从P分布，
Figure FDA0002252296400000024
代表经过生成器后的数据分布，
Figure FDA0002252296400000025
代表ILR服从P分布。
6.一种基于SNGAN网络的单幅人脸图像超分辨***，其特征在于，包括：
用于收集高分辨率人脸图像的装置；
用于采用双三次插值的方法进行下采样，获得相应的低分辨率人脸图像，并随机将其分成训练集和测试集的装置；
用于将训练集中的低分辨率人脸图像输入到生成网络G中进行训练，输出重建的超分辨率图像的装置；
用于将生成网络G的输出结果和原始高分辨人脸图像一起输入到判别网络D中的装置；
用于由判别网络判断图像是来自生成网络G还是原始高分辨率图像装置；用于在判别为原始高分辨率图像时，将需要重建的图像再经过生成网络G进行超分辨重建的装置。
7.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的基于SNGAN网络的单幅人脸图像超分辨方法。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的基于SNGAN网络的单幅人脸图像超分辨方法。
CN201911038833.6A 2019-10-29 2019-10-29 一种基于sngan网络的单幅人脸图像超分辨方法及*** Active CN111127316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911038833.6A CN111127316B (zh) 2019-10-29 2019-10-29 一种基于sngan网络的单幅人脸图像超分辨方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911038833.6A CN111127316B (zh) 2019-10-29 2019-10-29 一种基于sngan网络的单幅人脸图像超分辨方法及***

Publications (2)

Publication Number Publication Date
CN111127316A true CN111127316A (zh) 2020-05-08
CN111127316B CN111127316B (zh) 2022-10-25

Family

ID=70495464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911038833.6A Active CN111127316B (zh) 2019-10-29 2019-10-29 一种基于sngan网络的单幅人脸图像超分辨方法及***

Country Status (1)

Country Link
CN (1) CN111127316B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461134A (zh) * 2020-05-18 2020-07-28 南京大学 一种基于生成对抗网络的低分辨率车牌识别方法
CN111784581A (zh) * 2020-07-03 2020-10-16 苏州兴钊防务研究院有限公司 基于自归一化生成对抗网络的sar图像超分辨率重建方法
CN112669212A (zh) * 2020-12-30 2021-04-16 杭州趣链科技有限公司 人脸图像超分辨率重建方法、装置、计算机设备及介质
CN112884657A (zh) * 2021-05-06 2021-06-01 中南大学 一种人脸超分辨率重建方法及***
CN113034361A (zh) * 2021-03-03 2021-06-25 深圳市数字城市工程研究中心 一种基于改进esrgan的遥感影像超分重建方法
CN113674154A (zh) * 2021-08-23 2021-11-19 北京印刷学院 一种基于生成对抗网络的单幅图像超分辨率重建方法及***
CN113723174A (zh) * 2021-07-09 2021-11-30 北京工业大学 基于生成对抗网络的人脸图像超分辨修复重建方法及***
CN113723174B (zh) * 2021-07-09 2024-06-28 北京工业大学 基于生成对抗网络的人脸图像超分辨修复重建方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154023A (zh) * 2017-05-17 2017-09-12 电子科技大学 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
US20180075581A1 (en) * 2016-09-15 2018-03-15 Twitter, Inc. Super resolution using a generative adversarial network
CN109584162A (zh) * 2018-11-30 2019-04-05 江苏网进科技股份有限公司 一种基于生成网络的图像超分辨率重构的方法
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN109978762A (zh) * 2019-02-27 2019-07-05 南京信息工程大学 一种基于条件生成对抗网络的超分辨率重建方法
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110211045A (zh) * 2019-05-29 2019-09-06 电子科技大学 基于srgan网络的超分辨率人脸图像重建方法
CN110310227A (zh) * 2019-06-27 2019-10-08 电子科技大学 一种基于高低频信息分解的图像超分辨率重建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075581A1 (en) * 2016-09-15 2018-03-15 Twitter, Inc. Super resolution using a generative adversarial network
CN107154023A (zh) * 2017-05-17 2017-09-12 电子科技大学 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
CN109584162A (zh) * 2018-11-30 2019-04-05 江苏网进科技股份有限公司 一种基于生成网络的图像超分辨率重构的方法
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN109978762A (zh) * 2019-02-27 2019-07-05 南京信息工程大学 一种基于条件生成对抗网络的超分辨率重建方法
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110211045A (zh) * 2019-05-29 2019-09-06 电子科技大学 基于srgan网络的超分辨率人脸图像重建方法
CN110310227A (zh) * 2019-06-27 2019-10-08 电子科技大学 一种基于高低频信息分解的图像超分辨率重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAKERU MIYATO等: "Spectral Normalization for Generative Adversarial Networks", 《 ICLR 2018》 *
倪申龙等: "整体车牌图像超分辨率重建研究", 《计算机技术与发展》 *
邵保泰等: "基于生成对抗网络的单帧红外图像超分辨算法", 《红外与毫米波学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461134A (zh) * 2020-05-18 2020-07-28 南京大学 一种基于生成对抗网络的低分辨率车牌识别方法
CN111784581A (zh) * 2020-07-03 2020-10-16 苏州兴钊防务研究院有限公司 基于自归一化生成对抗网络的sar图像超分辨率重建方法
CN111784581B (zh) * 2020-07-03 2024-07-05 苏州兴钊防务研究院有限公司 基于自归一化生成对抗网络的sar图像超分辨率重建方法
CN112669212A (zh) * 2020-12-30 2021-04-16 杭州趣链科技有限公司 人脸图像超分辨率重建方法、装置、计算机设备及介质
CN112669212B (zh) * 2020-12-30 2024-03-26 杭州趣链科技有限公司 人脸图像超分辨率重建方法、装置、计算机设备及介质
CN113034361A (zh) * 2021-03-03 2021-06-25 深圳市数字城市工程研究中心 一种基于改进esrgan的遥感影像超分重建方法
CN113034361B (zh) * 2021-03-03 2022-10-14 深圳市数字城市工程研究中心 一种基于改进esrgan的遥感影像超分重建方法
CN112884657A (zh) * 2021-05-06 2021-06-01 中南大学 一种人脸超分辨率重建方法及***
CN112884657B (zh) * 2021-05-06 2021-07-16 中南大学 一种人脸超分辨率重建方法及***
CN113723174B (zh) * 2021-07-09 2024-06-28 北京工业大学 基于生成对抗网络的人脸图像超分辨修复重建方法及***
CN113723174A (zh) * 2021-07-09 2021-11-30 北京工业大学 基于生成对抗网络的人脸图像超分辨修复重建方法及***
CN113674154A (zh) * 2021-08-23 2021-11-19 北京印刷学院 一种基于生成对抗网络的单幅图像超分辨率重建方法及***
CN113674154B (zh) * 2021-08-23 2023-10-27 北京印刷学院 一种基于生成对抗网络的单幅图像超分辨率重建方法及***

Also Published As

Publication number Publication date
CN111127316B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN111127316B (zh) 一种基于sngan网络的单幅人脸图像超分辨方法及***
CN110211045B (zh) 基于srgan网络的超分辨率人脸图像重建方法
CN110570353B (zh) 密集连接生成对抗网络单幅图像超分辨率重建方法
CN111028146B (zh) 基于双判别器的生成对抗网络的图像超分辨率方法
CN112507997B (zh) 一种基于多尺度卷积和感受野特征融合的人脸超分辨***
CN110599401A (zh) 遥感图像超分辨率重建方法、处理装置及可读存储介质
CN110717857A (zh) 超分辨率图像重构方法和装置
CN112001847A (zh) 相对生成对抗超分辨率重建模型生成高质量图像的方法
CN110111256B (zh) 基于残差蒸馏网络的图像超分辨重建方法
CN112819910B (zh) 基于双鬼注意力机制网络的高光谱图像重建方法
CN112818764B (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN109872305B (zh) 一种基于质量图生成网络的无参考立体图像质量评价方法
CN109886135A (zh) 一种低分辨率人脸识别方法、装置及存储介质
CN113538246B (zh) 基于无监督多阶段融合网络的遥感图像超分辨率重建方法
CN114219719A (zh) 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法
CN115131214A (zh) 基于自注意力的室内老人图像超分辨率重构方法及***
CN113379597A (zh) 人脸超分辨率重构方法
CN117392496A (zh) 基于红外与可见光图像融合的目标检测方法及***
CN116797461A (zh) 基于多级强化注意力机制的双目图像超分辨率重建方法
CN115601820A (zh) 一种人脸伪造图像检测方法、装置、终端及存储介质
CN115578262A (zh) 基于afan模型的偏振图像超分辨率重建方法
CN111611962A (zh) 基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法
Li Image super-resolution using attention based densenet with residual deconvolution
CN112767331B (zh) 基于零样本学习的图像异常检测方法
CN117036806A (zh) 一种基于双重复用残差网络的物体识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant