重新审视人脸幻构：关于数据集偏置的探索性研究
计算机视觉与模式识别
2018-12-24 v1
摘要
当代人脸幻构(FH)模型展现出从低分辨率(LR)人脸图像重建高分辨率(HR)细节的相当能力。该能力通常从对应HR-LR图像对的样本中学习，这些图像对通过对HR真实数据人为下采样创建。该下采样（或退化）过程不仅定义了LR训练数据的特征，也决定了所学FH模型最终能够处理的图像退化类型。若真实世界LR图像遇到的图像特征与训练时所见不同，仍期望FH模型表现良好，但实际上可能产生不理想结果。本文研究此问题并探索由训练数据特征引入FH模型的偏置。我们系统分析了若干FH模型在各种退化函数与训练设置不匹配场景下的泛化能力，并使用合成下退化及真实低质量图像进行实验。我们得到若干有趣发现，为FH模型的现存问题提供见解并指出未来研究方向。
引用
@article{arxiv.1812.09010,
title = {Face Hallucination Revisited: An Exploratory Study on Dataset Bias},
author = {Klemen Grm and Martin Pernuš and Leo Cluzel and Walter Scheirer and Simon Dobrišek and Vitomir Štruc},
journal= {arXiv preprint arXiv:1812.09010},
year = {2018}
}