基于阈值化局部约束表示与再生学习的上下文块人脸超分辨率方法
计算机视觉与模式识别
2018-09-18 v2
摘要
人脸超分辨率是一种利用从 HR/LR 人脸对中学习的先验知识，由低分辨率（LR）人脸重建高分辨率（HR）人脸的技术。大多数现有最优方法借助人脸的位置块先验知识来估计每个图像块的最优表示系数。然而，它们仅关注位置信息，通常忽略图像块的上下文信息。此外，当面临错位或小样本量（SSS）问题时，超分辨率性能很差。为此，本研究引入图像块的上下文信息，提出一种强大且高效的基于上下文块的人脸超分辨率方法，即阈值化局部约束表示与再生学习（TLcR-RL）。在基于上下文块的框架下，我们提出一种基于阈值的表示方法，以提高重建精度并降低计算复杂度。为了进一步提升所提算法的性能，我们提出一种称为再生学习的提升策略。通过将估计的 HR 人脸加入训练集，可模拟输入 LR 人脸的 HR 版本存在于训练集中的情形，从而迭代地增强最终超分辨率结果。实验表明，所提 TLcR-RL 方法在主观与客观上都取得了超分辨率结果的显著提升。此外，所提框架对脸部错位和 SSS 问题更具鲁棒性，且当 LR 测试人脸来自真实世界时其超分辨率的 HR 人脸依然很好。MATLAB 源代码见 https://github.com/junjun-jiang/TLcR-RL。
引用
@article{arxiv.1809.00665,
title = {Context-Patch Face Hallucination Based on Thresholding Locality-constrained Representation and Reproducing Learning},
author = {Junjun Jiang and Yi Yu and Suhua Tang and Jiayi Ma and Akiko Aizawa and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:1809.00665},
year = {2018}
}
备注
13 pages, 15 figures, Accepted by IEEE TCYB