用于人脸幻构的超身份卷积神经网络
计算机视觉与模式识别
2018-11-07 v1
摘要
人脸幻构是一项生成任务，旨在对低分辨率人脸图像进行超分辨率重建，而人类对人脸的感知高度依赖于身份信息。然而，以往的人脸幻构方法很大程度上忽略了面部身份恢复。本文提出超身份卷积神经网络（SICNN）以恢复身份信息，生成接近真实身份的面部。具体而言，我们定义了超身份损失，在超球面身份度量空间内度量幻构人脸与其对应高分辨率人脸之间的身份差异。然而，直接使用该损失会导致动态域发散问题，其由高分辨率域与幻构域之间的大间隔引起。为克服此挑战，我们提出一种域集成训练方法，通过为来自这两个域的人脸构建鲁棒的身份度量。大量实验评估表明，所提出的 SICNN 在将 12×14 人脸以 8× 放大因子超分辨的挑战性任务上，取得了优于最先进方法的视觉质量。此外，SICNN 显著提升了超低分辨率人脸的可识别性。
引用
@article{arxiv.1811.02328,
title = {Super-Identity Convolutional Neural Network for Face Hallucination},
author = {Kaipeng Zhang and Zhanpeng Zhang and Chia-Wen Cheng and Winston H. Hsu and Yu Qiao and Wei Liu and Tong Zhang},
journal= {arXiv preprint arXiv:1811.02328},
year = {2018}
}
备注
Published in ECCV 2018