URDGN:Ultra-resolve Face Images by Discriminative Generative Networks

URDGN是XIn Yu和Faith Porikli提出的一种新方法,它改进了人脸超分辨率,特别是8倍放大。传统方法在低分辨率输入时效果不佳,URDGN通过反卷积网络作为生成器,卷积网络作为判别器,解决了这一问题。论文表明URDGN在不需要严格对齐和相同条件的人脸图像上也能工作,并且在 CelebA 数据集上展示了优于其他方法的结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Ultra-resolve Face Images by Discriminative Generative Networks

XIn Yu and Faith Porikli

简单地说,这篇文章的思路就是把超分辨率网络SR封装成GAN中的生成器。而且实现了更大倍数的超分辨率。

之前人脸超分辨率方法的弱点

  1. 局限在2x,4x超分辨率
  2. 一旦输入图像分辨率极低,得到的超分辨率结果就很模糊。一些使用landmark的方法无法从极低分辨率图像中获取足够的信息。
  3. 很多方法超分辨率的结果存在伪影。
  4. 部分方法要求训练集和测试集的人脸图像是对齐的,切具有相同的姿态和表情。
  5. 生成超分辨率网络可以获取细节信息,但是与真实人脸差距较大。

论文的主要贡献

  1. 提出了URDGN,可以超分辨率8倍,而输入图像只有16 \times 16
  2. 首个将生成判别网络用语人脸超分辨率的网络,且效果优于其他方法。
  3. 通过使用l_2正则化表明,本文提出的URDGN可以再任何尺寸下进行超分辨率,而突破GAN只能产生固定大小的图像的束缚。
  4. URDGN的训练集不再局限于对齐、同姿势、同表情、同光照,而只需要脸部朝前,且近似对齐(眼睛对齐即可)。

论文提出的主要方法URDGN 

首先GAN中生成器的输入是随机噪声z,输出是想要得到的图像\hat{x},然后判别器区分真实的图像x和\hat{x},生成器努力想要“瞒”过判别器,判别器努力“识破”\hat{x}。这是GAN的思想,但是GAN生成的图像虽然具有尖锐的细节信息,但如果用在超分辨率上其结果与真实结果有偏差,于是URDGN为了利用GAN的长处,弥补它的不足,设计了一个反卷积网络作为生成器来做超分辨率,其输入是低分辨率图像,设计了一个卷积网络用来做判别器。

其目标函数为:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值