Attention-FH 通过深度强化学习的注意感知面孔幻觉 （读书笔记）

Attention-Aware Face Hallucination via Deep Reinforcement Learning  2017 CVPR

Attention-FH：通过深度强化学习的注意感知面孔幻觉

1、引言

1.1 摘要

主要思想

背景：面部幻觉是一个特定领域的超分辨率问题，其目标是从低分辨率（LR）输入图像中产生高分辨率（HR）的面孔

痛点：现有的方法通常是学习从LR图像到HR图像的单一斑块到斑块的映射，并且不考虑斑块之间的上下文相互依存关系

解决：提出了一个新颖的注意力感知的脸部幻觉（Attention-FH）框架，它采用深度强化学习来顺序发现出席的斑块，然后通过充分利用图像的整体相互依存关系来执行面部的增强。

具体来说： 在每个时间步骤中，递归策略网络被建议通过纳入过去发生的事情来动态地指定一个新的出席区域。因此，状态（即整个图像的面部幻觉结果）可以被局部增强网络利用，并在选定的区域内更新。Attention-FH方法通过最大化反映整个图像幻觉表现的长期回报，联合学习递归策略网络和局部增强网络。

1.2 介绍

背景：

  现有的人脸幻觉方法[通常集中在如何学习从LR图像到HR图像的辨别性斑块-斑块映射。特别是最近通过采用先进的卷积神经网络（CNN）和多个级联CNN取得了很大进展。脸部结构先验和空间配置通常被视为增强脸部/面部部分的外部信息。

  然而，在幻觉处理过程中，面部各部分之间的上下文依赖关系通常被忽略。根据对人类感知过程的研究，人类从感知整个图像开始，通过注意力转移机制连续探索一连串的区域&#x