基于深度 CNN 去噪器与多层邻域分量嵌入的人脸幻觉
计算机视觉与模式识别
2018-06-29 v1
摘要
当前大多数人脸幻觉方法，无论基于浅层学习还是深度学习，都试图借助训练集学习低分辨率（LR）与高分辨率（HR）空间之间的关系模型。它们主要通过基于模型的优化或判别推理学习来建模图像先验。然而，当输入 LR 人脸极小时，所学先验知识不再有效，性能会急剧下降。为解决该问题，本文提出一种可整合基于模型的优化与判别推理的通用人脸幻觉方法。具体而言，为利用基于模型的先验，借助图像自适应拉普拉斯正则化，将深度卷积神经网络（CNN）去噪器先验嵌入超分辨率优化模型。此外，我们进一步提出一种高频细节补偿方法：将人脸图像划分为面部组件，并以多层邻域嵌入方式执行人脸幻觉。实验表明，所提方法对微小输入 LR 人脸可获得良好的超分辨率结果。
引用
@article{arxiv.1806.10726,
title = {Deep CNN Denoiser and Multi-layer Neighbor Component Embedding for Face Hallucination},
author = {Junjun Jiang and Yi Yu and Jinhui Hu and Suhua Tang and Jiayi Ma},
journal= {arXiv preprint arXiv:1806.10726},
year = {2018}
}
备注
Accepted by IJCAI 2018