HIME：基于多参考样本的高效头像图像超分辨率
计算机视觉与模式识别
2022-03-29 v1 多媒体
摘要
利用来自同一身份的一组高分辨率参考样本来恢复低分辨率头像图像中丢失信息是一个有前景的方向。参考集中的互补图像可改善跨多种不同视角与姿态所生成头像的质量。然而，充分利用多个参考样本颇具挑战：每个参考样本的质量与对齐无法保证。使用低质量与不匹配图像作为参考会损害输出结果。为克服这些问题，我们提出一种高效的基于多参考样本的头像图像超分辨率网络（HIME）方法。相较先前方法，我们的网络无需人脸先验即可有效处理输入与参考间的错位，并以端到端方式学习聚合的参考集表示。此外，为重建更精细的面部特征，我们提出一种相关损失，在可控空间范围内提供局部纹理的丰富表示。实验结果表明，所提框架不仅比近期参考引导方法的计算开销显著更少，还取得了更优的定性与定量性能。
引用
@article{arxiv.2203.14863,
title = {HIME: Efficient Headshot Image Super-Resolution with Multiple Exemplars},
author = {Xiaoyu Xiang and Jon Morton and Fitsum A Reda and Lucas Young and Federico Perazzi and Rakesh Ranjan and Amit Kumar and Andrea Colaco and Jan Allebach},
journal= {arXiv preprint arXiv:2203.14863},
year = {2022}
}
备注
Technical Report