基于强化学习注意力序列优化的面部幻觉
计算机视觉与模式识别
2019-05-07 v1
摘要
面部幻觉是一个特定领域的超分辨率问题，旨在从低分辨率(LR)输入生成高分辨率(HR)人脸图像。与现有将人脸图像划分为规则块并独立地对每块施加LR到HR映射的块级超分辨率模型不同，我们实现深度强化学习并提出了一种新颖的注意力感知面部幻觉(Attention-FH)框架，其循环学习关注一块块序列，并通过充分利用图像的全局相互依赖关系来进行面部部位增强。具体而言，我们提出的框架包含两个组件：一个循环策略网络，用于基于超分辨率图像状态和过往关注区域序列在每个时间步动态指定新的关注区域；以及一个局部增强网络，用于所选块幻觉与全局状态更新。Attention-FH模型通过最大化反映整张HR图像幻觉结果的长期奖励，联合学习循环策略网络与局部增强网络。大量实验表明，我们的Attention-FH在具有大姿态与光照变化的自然场景人脸图像上显著优于当前最优(SOTA)方法。
引用
@article{arxiv.1905.01509,
title = {Face Hallucination by Attentive Sequence Optimization with Reinforcement Learning},
author = {Yukai Shi and Guanbin Li and Qingxing Cao and Keze Wang and Liang Lin},
journal= {arXiv preprint arXiv:1905.01509},
year = {2019}
}
备注
To be published in TPAMI