用于低分辨率人脸识别的多尺度保身份图像到图像翻译网络

最先进的深度神经网络模型在受控的高分辨率人脸图像上已达到近乎完美的人脸识别准确率。然而，当使用极低分辨率人脸图像进行测试时，其性能急剧下降。这在监控系统中尤为关键，因为需要将低分辨率探针图像与高分辨率图库图像进行匹配。超分辨率技术旨在从低分辨率对应图像生成高分辨率人脸图像。虽然它们能够重建视觉上令人满意的图像，但身份相关信息并未被保留。在此，我们提出一种保身份的端到端图像到图像翻译深度神经网络，能够将极低分辨率人脸超分辨为其高分辨率对应图像，同时保留身份相关信息。我们通过训练一个非常深的卷积编码器-解码器网络来实现这一点，该网络在对应层之间具有对称收缩路径。该网络在多尺度低分辨率条件下，以重建损失和保身份损失的组合进行训练。对我们所提出模型的广泛定量评估表明，它在自然和人工低分辨率人脸数据集上优于竞争的超分辨率和低分辨率人脸识别方法，甚至对未见过的身份也是如此。