用于真实世界人脸超分辨率的半循环生成对抗网络
计算机视觉与模式识别
2023-03-22 v2
摘要
真实世界人脸超分辨率(SR)是一项高度不适定的图像复原任务。全循环Cycle-GAN架构被广泛用于实现人脸SR的优异性能，但在真实场景中的困难样本上易产生伪影，因为同一退化分支中的联合参与会因真实世界低分辨率(LR)人脸与生成器得到的合成LR人脸之间的巨大域间隙而影响最终性能。为更好地利用GAN强大的生成能力于真实世界人脸SR，本文在前向与后向循环一致重建过程中分别建立两个独立的退化分支，而两个过程共享同一复原分支。我们的半循环生成对抗网络(SCGAN)能够缓解真实世界LR人脸图像与合成LR人脸之间的域间隙带来的不利影响，并通过由前向与后向循环一致学习过程共同正则化的共享复原分支实现准确且鲁棒的人脸SR性能。在两个合成与两个真实世界数据集上的实验表明，我们的SCGAN在恢复人脸结构/细节及真实世界人脸SR的定量指标上均优于现有最优方法。代码将公开于 https://github.com/HaoHou-98/SCGAN。
引用
@article{arxiv.2205.03777,
title = {Semi-Cycled Generative Adversarial Networks for Real-World Face Super-Resolution},
author = {Hao Hou and Jun Xu and Yingkun Hou and Xiaotao Hu and Benzheng Wei and Dinggang Shen},
journal= {arXiv preprint arXiv:2205.03777},
year = {2023}
}