利用生成对抗网络从严重受损图像中恢复人脸信息——第一部分

过去几十年中，现代成像系统涌现出大量技术，以在忽略抖动、运动、光照条件等情况下捕获原始场景的准确信息，这些进展逐步解决了高速与高分辨率图像的获取问题。然而，各种不可消除的实时因素导致所获取图像的信息与质量退化。现有技术在智能化泛化这一复杂现象方面尚显不足。因此，有必要开发一种智能框架以恢复原始场景中可能存在的信息。本文提出一种基于条件 GAN（conditional-GAN）的无核框架，用于从严重受损图像中恢复信息。假设图像退化由多种模糊组合所致。cGAN 的学习参数通过包含改进 Wasserstein 损失与回归损失函数的多分量损失函数进行优化。该网络的生成器模块采用带局部残差连接与全局跳跃连接的 U-Net 架构构建。局部连接与全局跳跃连接用于利用各阶段特征。生成图像表明，该网络具有从学习特征中恢复模糊图像可能信息的能力。本研究是我们 IOP studio 软件“人脸识别模块”的一部分。