基于深度强化学习的注意力感知人脸超分辨率
计算机视觉与模式识别
2017-08-11 v1
摘要
人脸超分辨率是一个特定领域的超分辨率问题，其目标是从低分辨率（LR）输入图像生成高分辨率（HR）人脸。现有方法通常学习从 LR 到 HR 图像的单个图像块到图像块的映射，且忽略了图像块之间的上下文相互依赖性。与此不同，我们提出了一种新颖的注意力感知人脸超分辨率框架，该框架利用深度强化学习依次发现关注的图像块，然后通过充分利用图像的全局相互依赖性来执行面部局部增强。具体而言，在每个时间步，所提出的循环策略网络通过结合过去发生的情况来动态指定一个新的关注区域。随后，局部增强网络可以在选定区域上利用并更新状态（即整个人脸的超分辨率结果）。Attention-FH 方法通过最大化反映整个人脸超分辨率性能的长期回报，联合学习循环策略网络和局部增强网络。因此，我们提出的 Attention-FH 能够根据每张人脸图像的自身特征，自适应地为其规划最优搜索路径。大量实验表明，在具有大姿态和光照变化的自然环境下的人脸上，我们的方法显著超越了现有技术水平。
引用
@article{arxiv.1708.03132,
title = {Attention-Aware Face Hallucination via Deep Reinforcement Learning},
author = {Qingxing Cao and Liang Lin and Yukai Shi and Xiaodan Liang and Guanbin Li},
journal= {arXiv preprint arXiv:1708.03132},
year = {2017}
}