基于生成对抗网络的联合人脸超分辨率与去模糊
计算机视觉与模式识别
2019-12-24 v1
摘要
人脸图像超分辨率（SR）是人脸图像分析、人脸识别以及基于图像的三维人脸重建的重要预处理。近期基于卷积神经网络（CNN）的方法通过利用低分辨率（LR）与高分辨率（HR）人脸图像对学习映射关系，展现出优异性能。然而，由于基于 CNN 的 HR 人脸图像重建通常旨在提升 PSNR 与 SSIM 指标，重建出的 HR 图像即便得分很高也可能不真实。本研究提出一种对抗框架，通过同时生成带模糊与不带模糊的 HR 图像来重建 HR 人脸图像。首先，利用五层 CNN 将 LR 人脸图像的空间分辨率提升八倍。随后，编码器提取上采样图像的特征。这些特征最终送入两个分支（解码器）以生成带模糊与不带模糊的 HR 人脸图像。此外，局部与全局判别器相结合以聚焦于 HR 人脸结构的重建。实验结果表明，所提算法生成逼真的人脸 HR 图像。而且，该方法可生成多种不同的人脸图像。
引用
@article{arxiv.1912.10427,
title = {Joint Face Super-Resolution and Deblurring Using a Generative Adversarial Network},
author = {Jung Un Yun and In Kyu Park},
journal= {arXiv preprint arXiv:1912.10427},
year = {2019}
}