用于人脸图像超分辨的特征正则化
计算机视觉与模式识别
2020-01-01 v1
摘要
现有人脸图像超分辨率(SR)方法大多聚焦于改进人工下采样的低分辨率(LR)图像。此类SR模型虽善于处理人工LR图像,但在真实LR测试数据上常出现显著性能下降。先前的无监督域适应(UDA)方法通过使用未配对的真实LR与HR数据以及循环一致性损失形式来应对该问题。然而,这会使模型因两项任务而过度拉伸:使视觉特征一致化与提升图像分辨率。重要的是,由于难以通过两个串联的CNN反向传播梯度,这使得端到端模型训练失效。为解决该问题,我们提出了一种结合传统SR与UDA模型优势的方法。具体而言,我们通过在二者之间引入特征正则化(CR)来分离并控制特征一致化与图像超分辨的优化。这种任务拆分使模型训练更有效且计算上易处理。大量评估表明,在真实与人工LR人脸图像数据上,我们的方法性能均优于最先进的SR与UDA模型。
引用
@article{arxiv.1912.12987,
title = {Characteristic Regularisation for Super-Resolving Face Images},
author = {Zhiyi Cheng and Xiatian Zhu and Shaogang Gong},
journal= {arXiv preprint arXiv:1912.12987},
year = {2020}
}
备注
Accepted by WACV2020