CN103020940B - 一种基于局部特征转换的人脸超分辨率重建方法 - Google Patents

一种基于局部特征转换的人脸超分辨率重建方法 Download PDF

Info

Publication number
CN103020940B
CN103020940B CN201210575820.4A CN201210575820A CN103020940B CN 103020940 B CN103020940 B CN 103020940B CN 201210575820 A CN201210575820 A CN 201210575820A CN 103020940 B CN103020940 B CN 103020940B
Authority
CN
China
Prior art keywords
low resolution
resolution
image
negative
local feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201210575820.4A
Other languages
English (en)
Other versions
CN103020940A (zh
Inventor
胡瑞敏
卢涛
王中元
韩镇
江俊君
夏洋
陈亮
黄克斌
高尚
王冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Beidou innovation and Application Technology Research Institute Co.,Ltd.
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201210575820.4A priority Critical patent/CN103020940B/zh
Publication of CN103020940A publication Critical patent/CN103020940A/zh
Application granted granted Critical
Publication of CN103020940B publication Critical patent/CN103020940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

一种基于局部特征转换的人脸超分辨率重建方法,将低分辨率的样本库矩阵进行非负矩阵分解,获得低分辨率图像的局部特征表达基;利用局部表达基与样本空间重建系数之间的转换关系,将局部特征转换到全局特征空间;对于输入的低分辨率图像,首先获得低分辨率的图像的具备特征,然后转换到样本空间获得全局特征,最后用高分辨率样本库替换低分辨率样本库获得高分辨率图像;以重建获得的高分辨率图像作为初始值,利用最大后验概率框架对输入的低分辨率图像进行迭代优化,获得更好的图像重建质量。本发明提出了基于图像局部特征到全局特征转换的全局人脸超分辨率算法,提升了全局脸算法的细节表现能力,提高了高分辨率重建图像的客观图像质量。

Description

一种基于局部特征转换的人脸超分辨率重建方法
技术领域
本发明涉及人脸图像超分辨率领域,具体涉及一种基于局部特征转换的人脸超分辨率重建方法。
背景技术
在监控视频中,由于目标与摄像头之间的距离远、环境噪声、成像模糊等因素,导致了目标人脸图像的成像质量低,目标人脸分辨率小,缺乏足够的人脸局部细节信息,给直接辨别目标人脸图像造成了困难。基于学习的人脸超分辨率算法利用样本库的先验知识,在训练样本库的高低分辨率样本的回归关系的指导下,从输入的低分辨率人脸图像重建高分辨率人脸图像。基于学习的人脸超分辨率算法能够获得较大的放大倍数同时保持较高的重建质量,相比与基于重建的人脸超分辨率算法具有更好的应用前景。
基于学习的人脸超分辨率算法按照对人脸图像的处理方式分为全局脸算法和局部脸算法,全局脸算法将整副人脸作为一个向量进行处理,该方法重建的人脸图像在整体上与输入人脸相似、而且对噪声具有一定的鲁棒性,然而在重建图像的边缘部分存在着混叠效应。局部脸方法是将整副人脸图像划分成块,对输出高分辨率图像的重建过程按照分块进行,然后拼合成整副图像,这种方法重建的人脸图像主观质量较好,但是对噪声敏感。2001年Liu等人在文献1(C.Liu,H.Y.Shum,C.S.Zhang.Atwo-step approach to hallucination faces:GlobalParametric model and Local Nonparametric model,in Proc.IEEE conference CVPR.Dec.2001.vol.1,pp.723-728.)提出了基于参数全局脸方法与非参数局部脸方法的两步法人脸超分辨率算法,该算法中利用主成份分析模型获得输入图像插值后在高分辨率样本空间的表达,仅仅考虑了高分辨率样本库的性质,忽略了低分辨率图像的内在特征,重建的人脸图像过于平滑,缺失局部细节信息。2005年Wang等人在文献2(X.Wang and X.Tang.Hallucinating face byeigen-transformation,IEEE Transactions on SMC.Part C,vol.35,no.3,pp.425–434,2005.)中提出了基于特征变换的全局脸超分辨率算法,该算法将超分辨率问题看成是低分辨率特征空间表达到高分辨率特征空间表达的转换问题,利用了低分辨率样本库的特性,从低分辨率图像的主成份表达转换到样本空间表达,该方法重建的人脸图像具有较好的主观质量,但是由于把整张人脸做到一个向量处理,部分人脸的细节信息缺失。为了解决全局脸重建方法中存在的具备细节信息表达能力不足的问题,2010年Yang等人在文献3(J.Yang,J.Wright,T.Huang,and Y.Ma.Image super-resolution via sparse representation,IEEE Transactions on ImageProcessing,vol.19,no.11,pp.2861-2873,2010.)中提出一种基于非负矩阵分解的全局脸超分辨率算法,该算法利用了非负矩阵分解对于局部语义信息的表达能力,用非负矩阵分解替代传统的主成份分析获得了相比传统算法更好的局部细节表达,然而该算法仅仅利用了高分辨率样本库的信息,没有考虑到全体样本的整体特性,因此全局脸的重建得到的图像过于平滑。该类全局脸超分辨率算法要么缺乏细节信息表达能力(文献2算法),要么缺乏样本库的全局信息(文献1和3的算法)。
发明内容
本发明目的是提供一种基于局部特征变换的人脸超分辨率重建方法,解决现有同类全局脸算法中缺乏局部细节信息和样本库整体特性的问题。
为实现上述目的,本发明采用的技术方案是一种局部特征变换的人脸超分辨率重建方法,包括如下步骤:
步骤1,设低分辨率样本库包括多幅低分辨率样本人脸图像,对低分辨率样本库进行非负矩阵分解,获得低分辨率样本库的非负局部特征表达基和非负表达系数矩阵;
步骤2,基于步骤1所得低分辨率样本库的非负局部特征表达基和非负表达系数矩阵,将低分辨率样本库的非负局部特征转换到低分辨率样本库空间进行表达,获得在低分辨率样本库空间的表达系数;
步骤3,对于输入的低分辨率人脸图像,保持低分辨率样本库空间的表达系数,用高分辨率样本人脸图像替换相应低分辨率样本人脸图像获得高分辨率重建图像;
步骤4,利用最大后验概率算法优化步骤3所得高分辨率重建图像并输出。
而且,步骤2实现方式如下,
设IL=[i1,i2,...iN]表示低分辨率样本人脸图像构成的低分辨率样本库,其中N是样本的个数,每一个列向量i1,i2,...iN表示一个低分辨率样本人脸图像;
对低分辨率样本库进行非负矩阵分解,目标函数如下,
min W L , H L | | I L - W L H L | | 2 2 , s . t . W ≥ 0 , H ≥ 0 - - - ( 1 )
其中,WL表示非负局部特征表达基,该矩阵大小为m×k,m表示低分辨率样本人脸图像的向量维数;HL表示非负表达系数矩阵,HL大小为k×N;k是约减后的紧致表达空间的特征维数,N是样本的个数;
用如下的迭代公式获得近似的非负局部特征表达基与非负表达系数矩阵,令WL=WL,HL=HL,WL中的每个元素表示成HL中的每个元素表示成
W L i , j ← W L i , j [ ( H L ) T I L ] i , j [ ( H L ) T H L W L ] i , j , H L j , r ← H L j , r [ ( W L ) T I L ] j , r [ ( W L ) T W L H L ] j , r - - - ( 2 )
其中,1≤i≤m,1≤j≤k,1≤r≤N,表示二范式,公式(1)为迭代求解的目标函数,设置迭代误差为ε=10-3;利用公式(2)进行迭代,当|IL-WLHL|≤ε时停止迭代,得到非负局部特征表达基WL和非负表达系数矩阵HL
而且,步骤2实现方式如下,
对于输入的低分辨率人脸图像y,对应的非负局部特征表达基如下,
h=(WL TWL)-1WL Ty  (3)
其中,WL表示低分辨率样本库的非负局部特征表达基,对于低分辨率样本库空间全局的表达系数表达如下,
α ‾ = arg min α | | y - I L α | | 2 2 - - - ( 4 )
其中α表示在低分辨率样本库IL空间中的合成系数,表示公式(4)的最优解,表示的二范式;
用如下公式实现局部特征到全局特征的转换,
其中,HL是低分辨率样本库的非负表达系数矩阵,是,扰动约束项,M是单位矩阵,是一个接近0的常数,得到的低分辨率样本库空间的表达系数α是一个列向量,与每一个低分辨率样本人脸图像对应一个系数值。
而且,步骤3实现方式如下,
根据步骤2所得表达系数α,所得高分辨率重建图像X如下,
其中,IH为高分辨率样本人脸图像构成的高分辨率样本库。
而且,步骤4实现方式如下,
X ‾ = arg min X ( | | y - DBX | | 2 2 + λ | | X - X 0 | | 2 2 ) - - - ( 7 )
其中,D表示下采样矩阵,B表示模糊矩阵,X0表示步骤3中获得的高分辨率重建图像,λ是调节因子,表示公式(7)的最优值;
公式(7)通过梯度下降法求解,迭代公式如下所示,
Xn+1=Xn+β[BTDT(y-DBXn)+λ(X0-Xn)]   (8)
其中β是迭代步长,Xn表示第n次迭代所对应的高分辨率重建图像,Xn+1表示第n+1迭代所对应的高分辨率重建图像,预迭代误差ε当|Xn-X0|≤ε时,迭代停止,输出此时的Xn作为高分辨率重建图像。
本发明通过非负局部特征表达算法,,利用非负矩阵分解算法获得低分辨率样本库的局部特性表达,然后将这些包含了局部细节信息的特征转换到样本空间进行表达,然后将高分辨率样本替换低分辨率样本获得高分辨率重建图像,提高了重建的高分辨率人脸图像的主客观质量。本文算法和主成份分解的全局脸算法(文献1和2)和非负矩阵分解的全局脸方法(文献3)相比,对输入图像具有更好的细节表达能力,最终获得更高质量的高分辨率人脸图像。
附图说明
图1为本发明实施例的流程图;
图2为本发明方法与现有技术方法得到的平均PSNR值对比结果。
具体实施方式
本发明技术方案可采用软件技术实现自动流程运行。下面结合附图和实施例对本发明技术方案进一步详细说明。参见图1,本发明实施例具体步骤为:
步骤1,对低分辨率样本库进行非负矩阵分解,获得低分辨率图像样本库的非负局部特征表达基和非负表达系数矩阵。
输入的低分辨率人脸图像即待重建的人脸图像。为提供训练样本,一般提供多张高分辨率样本图像和低分辨率样本图像,并且高分辨率样本人脸图像和低分辨率样本人脸图像是一一对应。实施例中,高分辨率的样本图像大小为112×96像素,对应的低分辨率的图像大小为28×24像素,这里的放大倍数是4。低分辨率人脸样本图像是对应的高分辨率人脸样本图像通过Bicubic下采样四倍得来。
以实施例来说明,设有输入的低分辨率人脸图像y,高分辨率样本库IH和低分辨率样本库IL
设IL=[i1,i2,...iN]表示低分辨率样本人脸图像构成的低分辨率样本库,是一个矩阵,其中N是样本的个数,每一个列向量i1,i2,...iN表示一个低分辨率样本人脸图像。对低分辨率样本库进行非负矩阵分解,目标函数如下:
min W L , H L | | I L - W L H L | | 2 2 , s . t . W ≥ 0 , H ≥ 0 - - - ( 1 )
其中,WL表示非负局部特征表达基,该矩阵大小为m×k,m表示低分辨率样本人脸图像的向量维数,在实施列中是28×24=672,即每个低分辨率样本人脸图像表示成为一个列向量,HL表示非负表达系数矩阵,其大小为k×N,k是约减后的紧致表达空间的特征维数,N是样本的个数。实施例利用如下的迭代公式获得近似的非负局部特征表达基与非负表达系数矩阵,为了表示方便令WL=WL,HL=HL,WL中的每个元素表示成HL中的每个元素表示成
W L i , j ← W L i , j [ ( H L ) T I L ] i , j [ ( H L ) T H L W L ] i , j , H L j , r ← H L j , r [ ( W L ) T I L ] j , r [ ( W L ) T W L H L ] j , r - - - ( 2 )
其中,1≤i≤m,1≤j≤k,1≤r≤N,表示使用欧几里德距离二范式计算表达系数与样本之间的差值,公式(1)为迭代求解的目标函数,设置迭代误差为ε=10-3利用公式(2)进行迭代,当|IL-WLHL|≤ε时停止迭代。通过多次迭代求解而得到的非负特征基具有局部性和稀疏性。
步骤2,基于步骤1所得低分辨率样本库的非负局部特征表达基和非负表达系数矩阵,将低分辨率的非负局部特征转换到低分辨率样本库空间进行表达,实现局部特征到样本库整体特征的转换,获得在低分辨率样本库空间的表达系数。
实施例中,对于输入的低分辨率人脸图像y,其对应的非负局部特征表达基为:
h=(WL TWL)-1WL Ty  (3)
其中,WL表示低分辨率样本库的非负局部特征表达基。对于全局样本的表达系数表达为:
α ‾ = arg min α | | y - I L α | | 2 2 - - - ( 4 )
其中α表示在低分辨率样本库IL空间中的合成系数,表示公式(4)的最优解,表示的二范式。
实施例使用如下公式实现局部特征到全局特征的转换:
其中,HL是低分辨率样本库的非负表达系数矩阵,是为了使得可逆加入的一个扰动约束项,M是单位矩阵,是一个接近0的常数,可由本领域技术人员自行预设,建议取10-6。转化所得低分辨率样本库空间的表达系数α是一个列向量,与每一个低分辨率样本人脸图像对应一个系数值,如图1所示α12,...αN
步骤3,对于输入的低分辨率人脸图像,保持步骤2所得在低分辨率样本库空间的表达系数,用高分辨率人脸样本图像替换低分辨率人脸样本图像获得高分辨率重建图像。
实施例中,用步骤2所得所得表达系数α,保持低分辨率的重建系数到高分辨率样本空间,所得高分辨率重建图像X为:
其中,IH为高分辨率样本人脸图像构成的高分辨率样本库,也是一个矩阵。其中每一个列向量表示一个高分辨率样本人脸图像。
步骤4,利用最大后验概率算法优化步骤3所得高分辨率重建图像,提升输出高分辨率图像质量。
实施例使用步骤3所得的高分辨率重建图像作为初始值,利用最大后验概率算法对图像进行处理。为便于实施参考起见,提供详细说明如下:
X ‾ = arg min X ( | | y - DBX | | 2 2 + λ | | X - X 0 | | 2 2 ) - - - ( 7 )
其中,D表示下采样矩阵,B表示模糊矩阵,X0表示步骤3中获得的高分辨率重建图像,λ是调节因子,该式子第一项是数据项,第二项是先验项,保证算法能够收敛到初始值X0的邻域,其取值通过实验进行测定,表示公式(7)的最优值。该公式通过梯度下降法求解,迭代公式如下所示:
Xn+1=Xn+β[BTDT(y-DBXn)+λ(X0-Xn)]   (8)
其中β是迭代步长,Xn表示第n次迭代所对应的高分辨率重建图像,Xn+1表示第n+1迭代所对应的高分辨率重建图像,假设迭代误差ε=10-2,当|Xn-X0|≤ε时,迭代停止,输出此时的Xn作为高分辨率重建图像。
本发明对低分辨率输入图像可得到高分辨率输出图像,与文献1、2、3的全局脸方法不同,提出了基于局部特征转换成为全局特征的全局脸超分辨率算法,既考虑了输入图像的局部特征表达,也考虑了样本库的整体特征,相比对比算法图像重建质量有所提升。
以下提供实验对比说明本方法的有效性。
采用了CAS-PEAL人脸数据库(文献4:W.Gao,B.Cao,S.G Shan,The CASPEALLarge-scale Chinese face database and baseline evaluations,IEEE Trans on SMC,vol.38,no.1,pp.149-161,2008.)。该人脸数据库包含了1040个个人的30900副不同角度、光照、表情的人脸图像,实验选取每人正面无表情人脸图像作为样本库与测试库,所有图像大小统一为112×96像素,从中选取1000张进行训练,剩余40张为待测试的图像。每张训练用高分辨率的图像进行平滑(使用4×4的平均滤波器),并4倍下采样得到28×24像素的低分辨率的图像。
本发明实施例中选取对比算法的训练样本和测试样本相同,对于文献1算法主成份分解保留800维向量,文献2算法主成份分解保留98%的主成份,降维后的维数为230维,文献3非负矩阵分解迭代次数1000次,降维后的特征维数为800。所有实验的训练样本完全一致且个数为1000。本发明的非负特征维数选择250维,非负分解的迭代次数为1000次。
实验采用客观质量标准峰值信噪比(PSNR,单位为dB)和SSIM来衡量算法重建质量。如图2所示,本发明方法与文献1、2、3方法得到的PSNR值依次为27.03,25.64,25.34,25.89。本发明方法比最好的对比算法文献3算法PSNR提升1.14db,对比文献1算法PSNR提升了1.39db,对比文献2算法PSNR提升了1.69db。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于局部特征转换的人脸超分辨率重建方法,其特征在于,包括如下步骤:
步骤1,设低分辨率样本库包括多幅低分辨率样本人脸图像,对低分辨率样本库进行非负矩阵分解,获得低分辨率样本库的非负局部特征表达基和非负表达系数矩阵;
步骤2,基于步骤1所得低分辨率样本库的非负局部特征表达基和非负表达系数矩阵,将低分辨率样本库的非负局部特征转换到低分辨率样本库空间进行表达,获得在低分辨率样本库空间的表达系数;
步骤3,对于输入的低分辨率人脸图像,保持低分辨率样本库空间的表达系数,用高分辨率样本人脸图像替换相应低分辨率样本人脸图像获得高分辨率重建图像;
步骤4,利用最大后验概率算法优化步骤3所得高分辨率重建图像并输出;
其中,步骤1实现方式如下,
设IL=[i1,i2,...iN]表示低分辨率样本人脸图像构成的低分辨率样本库,其中N是样本的个数,每一个列向量i1,i2,...iN表示一个低分辨率样本人脸图像;
对低分辨率样本库进行非负矩阵分解,目标函数如下,
min W L , H L | | I L - W L H L | | 2 2 , s . t . W ≥ 0 , H ≥ 0 - - - ( 1 )
其中,WL表示非负局部特征表达基,该矩阵大小为m×k,m表示低分辨率样本人脸图像的向量维数;HL表示非负表达系数矩阵,HL大小为k×N;k是约减后的紧致表达空间的特征维数,N是样本的个数;
用如下的迭代公式获得近似的非负局部特征表达基与非负表达系数矩阵,令WL=WL,HL=HL,WL中的每个元素表示成HL中的每个元素表示成
W L i , j ← W L i , j [ ( H L ) T I L ] i , j [ ( H L ) T H L W L ] i , j , H L j , r ← H L j , r [ ( W L ) T I L ] j , r [ ( W L ) T W L H L ] j , r - - - ( 2 )
其中,1≤i≤m,1≤j≤k,1≤r≤N,表示二范式,公式(1)为迭代求解的目标函数,设置迭代误差为ε=10-3;利用公式(2)进行迭代,当|IL-WLHL|≤ε时停止迭代,得到非负局部特征表达基WL和非负表达系数矩阵HL
2.根据权利要求1所述基于局部特征转换的人脸超分辨率重建方法,其特征在于:步骤2实现方式如下,
对于输入的低分辨率人脸图像y,对应的非负局部特征表达基如下,
h=(WL TWL)-1WL Ty   (3)
其中,WL表示低分辨率样本库的非负局部特征表达基,对于低分辨率样本库空间全局的表达系数表达如下,
α ‾ = arg min α | | y - I L α | | 2 2 - - - ( 4 )
其中α表示在低分辨率样本库IL空间中的合成系数,表示公式(4)的最优解,表示的二范式;
用如下公式实现局部特征到全局特征的转换,
其中,HL是低分辨率样本库的非负表达系数矩阵,是扰动约束项,M是单位矩阵,是一个接近0的常数,得到的低分辨率样本库空间的表达系数α是一个列向量,每一个低分辨率样本人脸图像对应α中的一个系数值。
3.根据权利要求2所述基于局部特征转换的人脸超分辨率重建方法,其特征在于:步骤3实现方式如下,
根据步骤2所得表达系数α,所得高分辨率重建图像X如下,
其中,IH为高分辨率样本人脸图像构成的高分辨率样本库。
4.根据权利要求3所述基于局部特征转换的人脸超分辨率重建方法,其特征在于:步骤4实现方式如下,
X ‾ = arg min X ( | | y - DBX | | 2 2 + λ | | X - X 0 | | 2 2 ) - - - ( 7 )
其中,D表示下采样矩阵,B表示模糊矩阵,X0表示步骤3中获得的高分辨率重建图像,λ是调节因子,X表示公式(7)的最优值;
公式(7)通过梯度下降法求解,迭代公式如下所示,
Xn+1=Xn+β[BTDT(y-DBXn)+λ(X0-Xn)]  (8)
其中β是迭代步长,Xn表示第n次迭代所对应的高分辨率重建图像,Xn+1表示第n+1迭代所对应的高分辨率重建图像,预迭代误差ε当|Xn-X0|≤ε时,迭代停止,输出此时的Xn作为高分辨率重建图像。
CN201210575820.4A 2012-12-26 2012-12-26 一种基于局部特征转换的人脸超分辨率重建方法 Active CN103020940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210575820.4A CN103020940B (zh) 2012-12-26 2012-12-26 一种基于局部特征转换的人脸超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210575820.4A CN103020940B (zh) 2012-12-26 2012-12-26 一种基于局部特征转换的人脸超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN103020940A CN103020940A (zh) 2013-04-03
CN103020940B true CN103020940B (zh) 2015-07-15

Family

ID=47969507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210575820.4A Active CN103020940B (zh) 2012-12-26 2012-12-26 一种基于局部特征转换的人脸超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN103020940B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103312941B (zh) * 2013-06-19 2016-12-07 清华大学 基于凸优化理论的视频联合去噪及超分辨率方法和系统
CN103679662B (zh) * 2013-12-25 2016-05-25 苏州市职业大学 基于类别先验非负稀疏编码字典对的超分辨率图像恢复方法
CN105787462B (zh) * 2016-03-16 2019-05-03 武汉工程大学 基于半耦合判决性字典学习的极低分辨率人脸识别方法及系统
CN105847968B (zh) 2016-03-21 2018-12-21 京东方科技集团股份有限公司 基于深度学习的解像方法和系统
CN106770967B (zh) * 2017-01-06 2019-02-12 重庆大学 基于一类局部表达模型的电子鼻非目标干扰气体识别方法
CN108040204B (zh) * 2017-12-05 2020-06-02 北京小米移动软件有限公司 一种基于多摄像头的图像拍摄方法、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719270A (zh) * 2009-12-25 2010-06-02 武汉大学 一种基于非负矩阵分解的人脸超分辨率处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI419059B (zh) * 2010-06-14 2013-12-11 Ind Tech Res Inst 以樣本為基礎之人臉超解析度方法與系統

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719270A (zh) * 2009-12-25 2010-06-02 武汉大学 一种基于非负矩阵分解的人脸超分辨率处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hallucinating Face by Eigentransformation;Xiaogang Wang 等;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS》;20050725;第35卷(第3期);第425-434页 *
非负特征基约束的人脸超分辨率;兰诚栋 等;《小型微型计算机系统》;20110228;第32卷(第2期);第347-350页 *

Also Published As

Publication number Publication date
CN103020940A (zh) 2013-04-03

Similar Documents

Publication Publication Date Title
CN108734659B (zh) 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法
CN103020940B (zh) 一种基于局部特征转换的人脸超分辨率重建方法
CN110111256B (zh) 基于残差蒸馏网络的图像超分辨重建方法
CN101477684B (zh) 一种利用位置图像块重建的人脸图像超分辨率方法
CN103295197B (zh) 基于字典学习和双边正则的图像超分辨率重建方法
CN113177882B (zh) 一种基于扩散模型的单帧图像超分辨处理方法
Li et al. Deep learning methods in real-time image super-resolution: a survey
CN105741252A (zh) 基于稀疏表示与字典学习的视频图像分级重建方法
CN104123705B (zh) 一种超分辨率重建图像质量Contourlet域评价方法
CN103065292B (zh) 一种基于主成份稀疏表达的人脸超分辨率重建方法
CN102915527A (zh) 基于形态学成分分析的人脸图像超分辨率重建方法
CN109214989A (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN102243711A (zh) 一种基于邻域嵌套的图像超分辨率重建方法
CN105654425A (zh) 一种应用于医学x光图像的单幅图像超分辨率重建方法
CN116664397B (zh) TransSR-Net结构化图像超分辨重建方法
CN112669248A (zh) 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法
CN101609503B (zh) 基于双流形对齐的人脸超分图像处理方法
He et al. Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
CN103971354A (zh) 低分辨率红外图像重建高分辨率红外图像的方法
CN112950480A (zh) 一种融合多感受野和密集残差注意的超分辨率重建方法
CN115511767A (zh) 一种自监督学习的多模态图像融合方法及其应用
CN107292821B (zh) 一种超分辨率图像重建方法及系统
CN109559278B (zh) 基于多特征学习的超分辨图像重建方法及系统
CN114841859A (zh) 基于轻量神经网络和Transformer的单图像超分辨率重建方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210415

Address after: No.8, Huyue East Road, Longchi street, Liuhe District, Nanjing City, Jiangsu Province

Patentee after: Nanjing Beidou innovation and Application Technology Research Institute Co.,Ltd.

Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan

Patentee before: WUHAN University

TR01 Transfer of patent right