CN112085655A - 一种基于密集残差注意面部先验网络的人脸超分辨率方法 - Google Patents
一种基于密集残差注意面部先验网络的人脸超分辨率方法 Download PDFInfo
- Publication number
- CN112085655A CN112085655A CN202010847791.7A CN202010847791A CN112085655A CN 112085655 A CN112085655 A CN 112085655A CN 202010847791 A CN202010847791 A CN 202010847791A CN 112085655 A CN112085655 A CN 112085655A
- Authority
- CN
- China
- Prior art keywords
- face
- resolution
- module
- dense residual
- residual attention
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- CBXRMKZFYQISIV-UHFFFAOYSA-N 1-n,1-n,1-n',1-n',2-n,2-n,2-n',2-n'-octamethylethene-1,1,2,2-tetramine Chemical compound CN(C)C(N(C)C)=C(N(C)C)N(C)C CBXRMKZFYQISIV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于密集残差注意面部先验网络的人脸超分辨率方法,包括如下步骤:分别构建跳线连接的密集残差注意模块、面部结构先验预测模块和上采样模块;并联跳线连接的密集残差注意模块和面部结构先验预测模块,继而级联上采样模块和图像重建层,构建密集残差注意面部先验网络;对公布的数据集进行预处理,并将处理之后的数据分为训练集和测试集;训练密集残差注意面部先验网络;将测试集中的图像,输入到训练好的密集残差注意面部先验网络中,输出重建后的高分辨率人脸图像。本发明通过训练密集残差注意面部先验网络,继而实现对测试人脸图像的超分辨率处理,能够有效恢复具备面部高频细节,同时保留身份信息的超分辨率人脸图像。
Description
技术领域
本发明属于图像处理及人脸超分辨技术领域,具体涉及一种基于密集残差注意面部先验网络的人脸超分辨率方法。
背景技术
在人脸识别任务中,往往期望获取高分辨率清晰无噪点的高质量图像。这是因为高质量的人脸图像不仅具有较好的视觉效果,而且包含很多后续处理中所需的细节信息。但是在实际采集和传输***中,由于受采集环境、成像硬件和网络带宽等的限制,获取的人脸图像往往分辨率比较小,极大地影响了后续人脸识别任务的精度。改善成像***的硬件条件和控制采集环境,是提高成像质量的最直接的途径。但是,这种方法不仅会提高成本,而且在很多应用场景(比如监控人脸分析等)下存在很难克服的现实问题。与之相比,人脸超分辨技术作为一种软件层面的方法,其实现简单,成本低廉,具有非常重要的应用价值。
人脸超分辨算法又被称为人脸幻想算法,其旨在利用低分辨率的图像来重建清晰的高分辨率人脸图像。普通物体超分辨技术是图像领域的重要研究分支,然而对于人脸超分辨来说,人脸图像具有相似的几何结构和复杂的纹理信息,传统的人脸超分辨方法无法取得良好的人脸重建效果。考虑到人脸图像的特殊情况,人脸超分辨通常利用人脸图像的固有属性优化重建结果,进而恢复出主观上真实自然的人脸图像。目前人脸图像超分辨率重建算法主要可以分为两类:基于插值和基于学习的方法。
现有的人脸超分辨方法,通常由于未能充分利用面部先验信息和非局部信息之间的关联,造成人脸高频信息的缺失,生成人工工件过多的高分人脸图像。同时,大多数人脸超分辨的算法在设计时只考虑均方差损失,该损失虽然能够获得较好的客观指标,但是未能考虑到人脸的固有信息。因此,如何设计新型损失函数,恢复准确的人脸结构及身份信息,同样是人脸超分辨算法存在的问题。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于密集残差注意面部先验网络的人脸超分辨率方法,能够有效恢复面部高频细节,从而获得高质量的人脸图像超分辨率结果,提出身份不变特征损失函数,监督网络生成具备真实身份信息的人脸图像。
技术方案:为实现上述目的,本发明提供一种基于密集残差注意面部先验网络的人脸超分辨率方法,包括如下步骤:
S1:分别构建跳线连接的密集残差注意模块、面部结构先验预测模块和上采样模块;
S2:并联跳线连接的密集残差注意模块和面部结构先验预测模块,继而级联上采样模块和图像重建层,构建密集残差注意面部先验网络;
S3:对公布的数据集进行预处理,并将处理之后的数据分为训练集和测试集;
S4:利用训练集中的数据训练密集残差注意面部先验网络;
S5:将测试集中的图像,输入到训练好的密集残差注意面部先验网络中,输出重建后的高分辨率人脸图像。
进一步的,所述步骤S1中跳线连接的密集残差注意模块的构建过程具体为:
A1:构建级联残差单元:级联残差单元由内卷积层、批处理层、激活函数和跳线连接组成;
A2:构建非局部注意力单元;
A3:利用级联残差单元和非局部注意力单元,构成残差注意模块;
A4:构建跳线连接的密集残差注意模块:跳线连接的密集残差注意模块是由四个残差注意模块和跳线连接组成,所述残差注意模块通过端对端连接在一起,然后第一个残差注意模块的输入通过跳线连接与最后一个残差注意模块的输出合并作为跳线连接的密集残差注意模块的最后输出。
进一步的,所述步骤S1中面部结构先验预测模块的构建过程具体为:
B1:构建空间变压器模块;
B2:构建传统沙漏网络单元;
B3:堆叠1个空间变压器模块和连续四个沙漏网络单元,分别设中间监督,形成面部结构先验预测模块。
进一步的,所述步骤S1中上采样模块的构建过程具体为:
C1:引入亚像素卷积层;
C2:对引入的亚像素卷积层设置8倍上采样参数。
进一步的,所述步骤S2中密集残差注意面部先验网络的构建过程具体为:
D1:将跳线连接的密集残差注意模块和面部结构先验预测模块进行并行连接,用于实现对输出特征进行特征通道维度的拼接;
D2:在步骤D1的基础上,继续级联上采样模块和图像重建层,完成密集残差注意面部先验网络的构建。
进一步的,所述步骤S3的具体过程为:
E1:对公布的数据集进行预处理,将每个图像矩阵元素的像素值归一化到[0,1]之间,得到归一化的图像矩阵;
E2:对图像矩阵进行随机旋转,实现图像数据不对齐处理;
E3:对增强后的图像数据进行双立方插值下采样,依据放大倍数将每个图像的长度和宽度按比例缩减8倍,得到低分辨率原始图像和高分辨率原始图像;
E4:将低分辨率原始图像与高分辨率原始图像数据成对地进行随机扰乱,并选取其80%数据作为训练数据集,其余作为测试数据集。
进一步的,所述步骤S4中密集残差注意面部先验网络的训练过程为:
F1:构建均方误差函数作为损失函数;
F2:构建身份不变特征损失函数;
F3:构建人脸结构特征损失函数;
F4:初始化密集残差注意面部先验网络的参数和设置训练参数;
F5:将密集残差注意面部先验网络中的参数初始化为均值为0、标准差为0.001的高斯分布,偏差初始化设置为0;设置学习率、迭代次数和批训练样本数量;
F6:用训练数据集中的低分辨率图像和对应的高分辨图像训练网络,通过优化算法,更新密集残差注意面部先验网络的参数;
F7:训练密集残差注意面部先验网络,直到整体损失值e<10-3或者迭代次数t>120,保存训练好的网络模型。
进一步的,所述步骤A2具体为:
所述非局部注意力单元由三个子分支构成,其中各个子分支分别连接g、h、z三个卷积层,将连接g、h卷积层之后的两个子分支的输出结果进行矩阵变形之后得到的图像矩阵进行矩阵乘法运算,并将该矩阵乘法运算得到的结果输入到分类器中,经过分类器之后的结果与连接z卷积层的子分支的输出结果进行矩阵变形之后得到的图像矩阵再次进行矩阵乘法运算,然后将该矩阵乘法运算得到的结果再连接u卷积层,经过u卷积层后得到的结果经矩阵变形后与所述非局部模块的原始输入的对应元素相加。
进一步的,所述步骤B3具体为:面部结构先验预测模块是由1个空间变压器和4个传统沙漏网络构成;空间变压器实现对输入的不对齐低分人脸图像的对齐处理;四个传统沙漏网络通过端对端连接在一起,依次实现更精确的人脸面部先验预测;每个沙漏网络的输出均由面部先验的真值进行监督。
进一步的,所述步骤F2中身份不变特征损失函数为:
进一步的,所述步骤F3中人脸结构损失函数为:
其中,Hk(fi)代表由面部结构先验预测模块在中间生成特征上预测的第k个人脸地标点的热力图,Hk(hi)代表了由训练好的Face Alignment Network(FAN)在原始高分辨率人脸图片上计算的第k个人脸地标点热力图的真值,P代表选择的人脸地标点总数。
有益效果:本发明与现有技术相比,在神经网络模型中引入考虑非局部特征的残差注意模块,通过堆叠残差注意模块并设计人脸结构先验预测模块来构建该神经网络模型,从而提取非局部注意力特征和人脸结构先验信息;然后将提取的非局部注意力特征和人脸结构先验特征进行通道维度的拼接,继而送入上采样。这样的设计使得该神经网络模型有更好的高频信息恢复能力,从而获得高质量的人脸图像超分辨率结果;且该神经网络模型中仅有中等尺寸,执行速度非常快。
附图说明
图1为本发明的方法流程示意图;
图2为密集残差注意面部先验网络的详细结构示意图;
图3为跳线连接的密集残差注意模块的详细结构示意图;
图4为残差单元的详细结构示意图;
图5为非局部注意力单元的详细结构示意图;
图6为测试结果与其他同类方法的测试结果的对比示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
本发明提供一种基于密集残差注意面部先验网络的人脸超分辨率方法,参照图1,其包括如下步骤:
步骤1:构建跳线连接的密集残差注意模块,具体包括如下步骤11-14:
步骤11:构建残差单元:残差单元由内卷积层、批处理层、激活函数和跳线连接组成,具体如图4所示;
步骤12:构建非局部注意力单元:非局部注意力单元由三个子分支构成,其中各个子分支分别连接g、h、z三个卷积层,将连接g、h卷积层之后的两个子分支的输出结果进行矩阵变形之后得到的图像矩阵进行矩阵乘法运算,并将该矩阵乘法运算得到的结果输入到分类器中,经过分类器之后的结果与连接z卷积层的子分支的输出结果进行矩阵变形之后得到的图像矩阵再次进行矩阵乘法运算,然后将该矩阵乘法运算得到的结果再连接u卷积层,经过u卷积层后得到的结果经矩阵变形后与非局部模块的原始输入的对应元素相加,具体步骤如图5所示;
步骤13:级联残差单元和非局部注意力单元,构成残差注意模块;
步骤14:构建跳线连接的密集残差注意模块:跳线连接的密集残差注意模块是由四个残差注意模块和跳线连接组成,残差注意模块通过端对端连接在一起,然后第一个残差注意模块的输入通过跳线连接与最后一个残差注意模块的输出合并作为跳线连接的密集残差注意模块的最后输出,具体如图3所示。
步骤2:构建面部结构先验预测模块,其包括步骤21-23:
步骤21:构建空间变压器模块;
步骤22:构建传统沙漏网络单元;
步骤23:堆叠1个空间变压器模块和连续四个沙漏网络单元,分别设中间监督,形成面部结构先验预测模块;具体为:面部结构先验预测模块是由1个空间变压器和4个传统沙漏网络构成;空间变压器可实现对输入的不对齐低分人脸图像的对齐处理;四个传统沙漏网络通过端对端连接在一起,依次实现更精确的人脸面部先验预测;每个沙漏网络的输出均由面部先验的真值(68个人脸关键特征点的热力图真值)进行监督,监督函数可参考步骤(64);
步骤3:构建上采样模块,其包括步骤31和32:
步骤31:引入亚像素卷积层;
步骤32:对引入的亚像素卷积层设置8倍上采样参数。
步骤4:并联跳线连接的密集残差注意模块和面部结构先验预测模块,继而级联上采样模块和图像重建层,构建密集残差注意面部先验网络,其包括步骤41和42:
步骤41:将跳线连接的密集残差注意模块和面部结构先验预测模块进行并行连接(实现对输出特征进行特征通道维度的拼接);
步骤42:在步骤41的基础上,继续级联上采样模块和图像重建层,具体如图2所示。
步骤5:对公布的数据集进行预处理,并将处理之后的数据分为训练集和测试集,其包括步骤51-54:
步骤51:对公布的CelebFaces Attributes(CelebA)数据集进行预处理,将每个图像矩阵元素的像素值归一化到[0,1]之间,得到归一化的图像矩阵;
步骤52:对图像矩阵进行随机旋转,实现图像数据不对齐处理;
步骤53:对增强后的图像数据进行双立方插值下采样,依据放大倍数将每个图像的长度和宽度按比例缩减8倍,得到低分辨率原始图像和高分辨率原始图像;
步骤54:将低分辨率原始图像与高分辨率原始图像数据成对地进行随机扰乱,并选取其80%数据作为训练数据集,其余作为测试数据集。
步骤6:利用训练数据训练密集残差注意面部先验网络,其包括步骤61-67:
步骤61:构建均方误差函数作为损失函数;
步骤62:构建身份不变特征损失函数:
身份不变特征损失函数的计算方法如下:
步骤63:构建人脸结构特征损失函数:
人脸结构损失函数的计算方法如下:
其中,Hk(fi)代表由面部结构先验预测模块在中间生成特征上预测的第k个人脸地标点的热力图,Hk(hi)代表了由训练好的Face Alignment Network(FAN)在原始高分辨率人脸图片上计算的第k个人脸地标点热力图的真值。P代表选择的人脸地标点总数,本实施例设置为68;
步骤64:初始化密集残差注意面部先验网络的参数和设置训练参数;
步骤65:将密集残差注意面部先验网络中的参数初始化为均值是0、标准差是0.001的高斯分布,偏差初始化设置为0;设置学习率、迭代次数和批训练样本数量;
步骤66:用训练数据集中的低分辨率图像和对应的高分辨图像训练网络,通过优化算法,更新密集残差注意面部先验网络的参数;
步骤67:训练密集残差注意面部先验网络,直到整体损失值e<10-3或者迭代次数t>120,保存训练好的网络模型。
步骤7:将测试数据集中的图像,输入到训练好的密集残差注意面部先验网络中,输出重建后的高分辨率人脸图像。
经过以上步骤,训练了密集残差注意面部先验网络,继而实现对测试人脸图像的超分辨率处理。
本实施例中将上述方法最终输出的人脸图像和其他方法获得的人脸图像进行对比,对比结果如图6所示,图中,c为标准图像,a、b、d、e、f、g为分别采用LR、差值、TDAE、CBN、SRGAN、VDSR方法获取的图像,j为采用本发明方法获取的图像,可见,本发明方法获取的人脸图像具备高分辨率,能够有效恢复具备面部高频细节,同时保留身份信息的超分辨率人脸图像。
Claims (10)
1.一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:包括如下步骤:
S1:分别构建跳线连接的密集残差注意模块、面部结构先验预测模块和上采样模块;
S2:并联跳线连接的密集残差注意模块和面部结构先验预测模块,继而级联上采样模块和图像重建层,构建密集残差注意面部先验网络;
S3:对公布的数据集进行预处理,并将处理之后的数据分为训练集和测试集;
S4:利用训练集中的数据训练密集残差注意面部先验网络;
S5:将测试集中的图像,输入到训练好的密集残差注意面部先验网络中,输出重建后的高分辨率人脸图像。
2.根据权利要求1所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤S1中跳线连接的密集残差注意模块的构建过程具体为:
A1:构建级联残差单元:级联残差单元由内卷积层、批处理层、激活函数和跳线连接组成;
A2:构建非局部注意力单元;
A3:利用级联残差单元和非局部注意力单元,构成残差注意模块;
A4:构建跳线连接的密集残差注意模块:跳线连接的密集残差注意模块是由四个残差注意模块和跳线连接组成,所述残差注意模块通过端对端连接在一起,然后第一个残差注意模块的输入通过跳线连接与最后一个残差注意模块的输出合并作为跳线连接的密集残差注意模块的最后输出。
3.根据权利要求1所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤S1中面部结构先验预测模块的构建过程具体为:
B1:构建空间变压器模块;
B2:构建传统沙漏网络单元;
B3:堆叠1个空间变压器模块和连续四个沙漏网络单元,分别设中间监督,形成面部结构先验预测模块。
4.根据权利要求1所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤S1中上采样模块的构建过程具体为:
C1:引入亚像素卷积层;
C2:对引入的亚像素卷积层设置8倍上采样参数。
5.根据权利要求1所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤S2中密集残差注意面部先验网络的构建过程具体为:
D1:将跳线连接的密集残差注意模块和面部结构先验预测模块进行并行连接,用于实现对输出特征进行特征通道维度的拼接;
D2:在步骤D1的基础上,继续级联上采样模块和图像重建层,完成密集残差注意面部先验网络的构建。
6.根据权利要求1所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤S3的具体过程为:
E1:对公布的数据集进行预处理,将每个图像矩阵元素的像素值归一化到[0,1]之间,得到归一化的图像矩阵;
E2:对图像矩阵进行随机旋转,实现图像数据不对齐处理;
E3:对增强后的图像数据进行双立方插值下采样,依据放大倍数将每个图像的长度和宽度按比例缩减8倍,得到低分辨率原始图像和高分辨率原始图像;
E4:将低分辨率原始图像与高分辨率原始图像数据成对地进行随机扰乱,并选取其80%数据作为训练数据集,其余作为测试数据集。
7.根据权利要求1所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤S4中密集残差注意面部先验网络的训练过程为:
F1:构建均方误差函数作为损失函数;
F2:构建身份不变特征损失函数;
F3:构建人脸结构特征损失函数;
F4:初始化密集残差注意面部先验网络的参数和设置训练参数;
F5:将密集残差注意面部先验网络中的参数初始化为均值为0、标准差为0.001的高斯分布,偏差初始化设置为0;设置学习率、迭代次数和批训练样本数量;
F6:用训练数据集中的低分辨率图像和对应的高分辨图像训练网络,通过优化算法,更新密集残差注意面部先验网络的参数;
F7:训练密集残差注意面部先验网络,直到整体损失值e<10-3或者迭代次数t>120,保存训练好的网络模型。
8.根据权利要求2所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤A2具体为:
所述非局部注意力单元由三个子分支构成,其中各个子分支分别连接g、h、z三个卷积层,将连接g、h卷积层之后的两个子分支的输出结果进行矩阵变形之后得到的图像矩阵进行矩阵乘法运算,并将该矩阵乘法运算得到的结果输入到分类器中,经过分类器之后的结果与连接z卷积层的子分支的输出结果进行矩阵变形之后得到的图像矩阵再次进行矩阵乘法运算,然后将该矩阵乘法运算得到的结果再连接u卷积层,经过u卷积层后得到的结果经矩阵变形后与所述非局部模块的原始输入的对应元素相加。
9.根据权利要求3所述的一种基于密集残差注意面部先验网络的人脸超分辨率方法,其特征在于:所述步骤B3具体为:面部结构先验预测模块是由1个空间变压器和4个传统沙漏网络构成;空间变压器实现对输入的不对齐低分人脸图像的对齐处理;四个传统沙漏网络通过端对端连接在一起,依次实现更精确的人脸面部先验预测;每个沙漏网络的输出均由面部先验的真值进行监督。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847791.7A CN112085655B (zh) | 2020-08-21 | 2020-08-21 | 一种基于密集残差注意面部先验网络的人脸超分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847791.7A CN112085655B (zh) | 2020-08-21 | 2020-08-21 | 一种基于密集残差注意面部先验网络的人脸超分辨率方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085655A true CN112085655A (zh) | 2020-12-15 |
CN112085655B CN112085655B (zh) | 2024-04-26 |
Family
ID=73728482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010847791.7A Active CN112085655B (zh) | 2020-08-21 | 2020-08-21 | 一种基于密集残差注意面部先验网络的人脸超分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085655B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034408A (zh) * | 2021-04-30 | 2021-06-25 | 广东工业大学 | 一种红外热成像深度学习图像去噪方法及装置 |
CN113034370A (zh) * | 2021-05-26 | 2021-06-25 | 之江实验室 | 一种结合3d脸部结构先验的人脸超分辨方法 |
CN113344783A (zh) * | 2021-06-08 | 2021-09-03 | 哈尔滨工业大学 | 一种热力图感知的金字塔人脸超分辨率网络 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080513A (zh) * | 2019-10-24 | 2020-04-28 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的人脸图像超分辨率方法 |
-
2020
- 2020-08-21 CN CN202010847791.7A patent/CN112085655B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080513A (zh) * | 2019-10-24 | 2020-04-28 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的人脸图像超分辨率方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034408A (zh) * | 2021-04-30 | 2021-06-25 | 广东工业大学 | 一种红外热成像深度学习图像去噪方法及装置 |
CN113034408B (zh) * | 2021-04-30 | 2022-08-12 | 广东工业大学 | 一种红外热成像深度学习图像去噪方法及装置 |
CN113034370A (zh) * | 2021-05-26 | 2021-06-25 | 之江实验室 | 一种结合3d脸部结构先验的人脸超分辨方法 |
CN113344783A (zh) * | 2021-06-08 | 2021-09-03 | 哈尔滨工业大学 | 一种热力图感知的金字塔人脸超分辨率网络 |
Also Published As
Publication number | Publication date |
---|---|
CN112085655B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903228B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
CN110136063B (zh) | 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 | |
Ahn et al. | Image super-resolution via progressive cascading residual network | |
CN112085655B (zh) | 一种基于密集残差注意面部先验网络的人脸超分辨率方法 | |
CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
CN109636721B (zh) | 基于对抗学习和注意力机制的视频超分辨率方法 | |
Jia et al. | Ddunet: Dense dense u-net with applications in image denoising | |
CN115358932B (zh) | 一种多尺度特征融合的人脸超分辨率重构方法及*** | |
Rios et al. | Feature visualization for 3D point cloud autoencoders | |
Li | Image super-resolution using attention based densenet with residual deconvolution | |
CN115082306A (zh) | 一种基于蓝图可分离残差网络的图像超分辨率方法 | |
Zang et al. | Cascaded dense-UNet for image super-resolution | |
CN113379606A (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN113362239A (zh) | 一种基于特征交互的深度学习图像修复方法 | |
Bai et al. | Survey of learning based single image super-resolution reconstruction technology | |
CN116228576A (zh) | 基于注意力机制与特征增强的图像去雾方法 | |
Yu et al. | MagConv: Mask-guided convolution for image inpainting | |
CN116029905A (zh) | 一种基于渐进差值互补的人脸超分辨率重构方法及*** | |
CN113191947B (zh) | 一种图像超分辨率的方法及*** | |
CN114782336A (zh) | 基于图卷积神经网络的纤维束取向分布的预测方法和装置 | |
CN114332103A (zh) | 一种基于改进FastFCN的图像分割方法 | |
Wang et al. | Information purification network for remote sensing image super-resolution | |
Liu et al. | A novel convolutional neural network architecture for image super-resolution based on channels combination | |
Zhang et al. | R2h-ccd: Hyperspectral imagery generation from rgb images based on conditional cascade diffusion probabilistic models | |
Ooi et al. | Enhanced dense space attention network for super-resolution construction from single input image |
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 |