CN107154023A - 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 - Google Patents
基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 Download PDFInfo
- Publication number
- CN107154023A CN107154023A CN201710347472.8A CN201710347472A CN107154023A CN 107154023 A CN107154023 A CN 107154023A CN 201710347472 A CN201710347472 A CN 201710347472A CN 107154023 A CN107154023 A CN 107154023A
- Authority
- CN
- China
- Prior art keywords
- network
- resolution
- image
- generation
- face
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,包括以下步骤:A、利用常用的公开人脸图像数据集,进行预处理,制作低分辨率人脸图像与对应高分辨率人脸图像训练集;B、构建用于训练的生成对抗网络模型,在生成网络中加入亚像素卷积层来实现超分辨率图像生成并引入包含特征损失的加权型损失函数;C、将步骤A得到的训练集依次输入生成对抗网络模型中进行模型训练,调整参数,达到收敛;D、将待处理的低分辨率人脸图像进行预处理,输入步骤C得到的对抗模型得到超分辨率重建后的高分辨率图像,可生成具有人脸轮廓更清晰、细节更具体、特征不变性的高分辨率对应图像,提升了人脸识别准确率,有更好的人脸超分辨率重建效果。
Description
技术领域
本发明涉及图像重建方法领域,具体涉及一种基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法。
背景技术
在图像领域,图像的分辨率一直是表征图像观测水平的主要技术指标之一。图像的分辨率通常是指图像处理中的空间分辨率。图像的分辨率越高,一定数量的图像像素所代表的实际场景的面积就越小,图像能够反映的场景细节就越精细,越能提供丰富的信息。图像超分辨率重建技术有可能使图像实现从检出水平向识别水平的转化,或更进一步实现向细辨水平的转化。图像超分辨率重建技术可以提高图像的识别能力和识别精度。
现有很多安全部门、敏感公共场所、交通要道、居民小区等都配备了全天候实时视频监控系统,然而,由于受到监控摄像头分辨率性能、监控环境光照条件、目标距离等因素影响,监控系统所获取的视频图像可能是低质量的图像,人脸图像的分辨率偏低,人脸面部细节丢失,影响进一步的识别问题。因此,如何针对低分辨率人脸图像,研究高效的超分辨率重建技术,提高图像质量,提高低分辨率人脸的识别率,成为问题的关键。
单图像输入和多图像输入是超分辨率重建面临的两种不同情况。多图像输入意味着输入的是一系列图像或视频的一部分,这些图像间有着不同的像素平移,每幅图像都包含着高度相关的信息可以用于超分辨率重建一幅图像。而实际中,很多情况没有足够的相关输入图像来源,仅有一副人脸图像输入。因此,人脸超分辨重建技术旨在寻求实际输入人脸数据中的内在信息,从一张低分辨率图像恢复出丢失的高分辨率信息,得到相对应的高分辨率人脸图像。
人脸超分辨率重建方法可以分为三类:基于插值的方法、基于重建的方法和基于学习的方法。近年来,深度学习在计算机视觉中取得了巨大的成功。Ian J.Goodfellow的2014年的《Generative Adversative Nets》第一次提出了生成对抗网络(GAN)模型,论文提出了一个新的框架,可以利用对抗过程估计生成模型,相比之前的算法,可以认为是在无监督表示学习上一个突破。基于生成对抗网络模型的人脸超分辨率重建方法,可以利用判别网络给出的判别信息来确认生成的高分辨率图像是否准确。但是,该方法通常使用反卷积层来完成输入图像的放大过程,由于反卷积层自身性质,生成图像会存在棋盘效应,影响图像质量。一种解决办法是充分挖掘低分辨率图像原始信息,利用学习到的像素值来重建图像,可解决反卷积所产生的棋盘状噪声。但是这类方法使用了图像逐像素求差的损失函数,无法感知图像语义方向的差异信息,特别是对人脸这种具有鲜明特征的图像,不能产生很好的人脸重建效果。
发明内容
本发明为了解决上述技术问题提供一种基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法。
本发明通过下述技术方案实现:
基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,包括以下步骤:
A、制作低分辨率人脸图像与对应高分辨率人脸图像训练集;
B、构建用于训练的生成对抗网络模型,在生成网络中加入亚像素卷积层,引入包含特征损失的加权型损失函数;
C、将步骤A得到的训练集依次输入生成对抗网络模型中进行模型训练,调整参数,达到收敛;
D、将待处理的图像进行预处理,输入步骤C得到的对抗模型得到超分辨率重建后的高分辨率图像。
本方法通过构建生成模型和判别模型,生成网络中加入亚像素卷积层来实现低分辨率人脸图像特征到高分辨率人脸图像的映射,利用生成对抗网络模型的对抗特性,结合生成图像特征的损失信息,训练达到收敛。本方案采用生成对抗网络模型结合亚像素卷积层的方法,引入包含特征损失的加权型损失函数,实现图像语义方向的差异信息的感知,保持特征不变性,特别是在对人脸这种具有鲜明特征的图像,重建效果好。将预处理低分辨率人脸图像输入该生成模型,可生成具有人脸轮廓更清晰、细节更具体、特征不变性的高分辨率对应图像,提升了人脸识别准确率,有更好的人脸超分辨率重建效果。
作为优选,步骤A具体为:
A1、获取人脸数据集并判别图像质量;
A2、对人脸数据集中的每张图片进行人脸检测和关键点检测,通过人脸关键点对齐算法对图片进行处理得到尺寸归一化的高分辨率人脸图像IHR;
A3、对高分辨率人脸图像IHR进行高斯滤波,然后下采样得到低分辨率图像ILR。
进一步的,所述低分辨率图像ILR的计算方法为:
其中,表示二维高斯函数,x,y为图像中的像素坐标点,σ2为高斯函数的方差,Dr(k)=∑i∈win(k)Ii/r2,表示降采样函数,具体为降采样图像中的点
k由图像I的k的邻域中的点计算得到,r为降采样比例。
通常,IHR和ILR都有C个颜色通道,因此,高分辨率人脸图像IHR和低分辨率图像ILR的实际张量大小分别为rH×rW×C和H×W×C。处理后的低分辨率人脸图像集作为生成对抗网络模型中的生成模型输入数据。
作为优选,步骤B具体为:
B1、由多个神经网络卷积层构建生成网络并加入亚像素卷积层完成映射;
B2、叠加多个卷积层和全连接层搭建判别网络,实现生成对抗网络模型的损失函数,计算反向梯度,连接生成网络与判别网络组成生成对抗网络模型。
进一步的,构建生成网络为搭建L–1层卷积网络,每一层输入图片大小与输出大小相同,其中,L为生成网络的网络深度,对于生成网络的前L–1层,表示为:
fl(ILR;W1:l;b1:l)=φ(Wl*fl-1(ILR)+bl),
其中,Wl、bl分别是神经网络中可学习的权重值和偏移值,l表示层数,l∈(1,L-1);Wl是2D的大小为nl-1×nl×kl×kl的卷积核,nl是第l层的特征层数,n0=C;kl是第l层的卷积核尺寸,bl是长度为nl的向量,φ为非线性函数;
亚像素卷积层的实现过程为:
其中WL是大小为nL-1×r2C×kL×kL的权重值,是一个周期随机打乱操作将一个大小为H×W×r2C张量变换为大小为rH×rW×C的张量。
所述卷积层的层数为M,全连接层的为2层,其中,M>L。
所述损失函数包括生成网络的损失函数,所述生成网络的损失函数等于特征损失函数与相对损失函数的加权和,其中,
特征损失函数为:
其中,
式中,IHR指训练集中的高分辨率图像,ISR指重建的高分辨率图像,x,y为IHR和ISR中的像素点坐标,FSR、FHR为经过判别网络M+1层所提取到的人脸特征,n为特征向量的维度;
相对损失函数为:
其中,表示判别网络对低分辨率人脸图像ILR输入生成网络所生成图像的判别结果。
所述损失函数包括判别网络的损失函数,所述判别网络的损失函数为原始高分辨率人脸图像与生成高分辨率人脸图像判别结果的交叉熵损失函数之和,其中,交叉熵损失函数为:
式中,zy表示真实结果,zj表示经过判别网络得到的结果,m为判别结果个数。
所述步骤C的具体过程为,
预训练:将步骤A得到的训练集的高分辨率人脸图像依次输入到对抗模型的判别网络中,不断迭代,使判别网络具备基本的判别能力;
正式训练:采用训练集中成对的人脸图像,将低分辨率人脸图像输入到对抗模型的生成网络中,得到重建结果,再将重建结果与真实高分辨率图像分别输入判别网络,将判别信息反向传输至生成网络。
所述步骤D具体为,
将待处理的图片进行人脸检测及关键点检测,通过人脸关键点对齐算法对图片进行处理,得到尺寸归一化的低分辨率人脸图像,并将该图片作为生成网络的输入,即得超分辨率重建后的高分辨率图像。
本发明与现有技术相比,具有如下的优点和有益效果:
本方法通过构建生成模型和判别模型,生成网络中加入亚像素卷积层来实现低分辨率人脸图像特征到高分辨率人脸图像的映射,利用生成对抗网络的对抗特性,结合生成图像特征的损失信息,训练达到收敛。将预处理低分辨率人脸图像输入该生成模型,可生成具有人脸轮廓更清晰、细节更具体、特征不变性的高分辨率对应图像,提升了人脸识别准确率,有更好的人脸超分辨率重建效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为原始高清分辨率人脸图像与细节放大图。
图2为低分辨率图像双三次插值的结果与细节放大图。
图3为基于反卷积层的生成对抗网络模型的重建结果与细节放大图。
图4为本发明重建结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,包括以下步骤:
A、利用常用的公开人脸图像数据集,进行预处理,制作低分辨率人脸图像与对应高分辨率人脸图像训练集;
B、构建用于训练的生成对抗网络模型,在生成网络中加入亚像素卷积层来实现超分辨率图像生成并引入包含特征损失的加权型损失函数;
C、将步骤A得到的训练集依次输入生成对抗网络模型中进行模型训练,调整参数,达到收敛;
D、将待处理的低分辨率人脸图像进行预处理,输入步骤C得到的对抗模型得到超分辨率重建后的高分辨率图像。
现根据上述原理公开具体实施方式。
步骤A制作训练集的具体实施方案为:
A1、获取公开的大规模人脸数据集,如WebFace、Asian Face、CelebA,判别所得到的人脸图片的图像质量,保留高分辨率图像留作后续处理;
A2、对人脸数据集中的每张图片进行人脸检测和关键点检测,通过人脸关键点对齐算法对图片进行旋转、缩放、裁剪等处理,得到尺寸归一化的高分辨率人脸图像IHR,组成生成对抗网络模型中的真实数据训练集;
A3、对高分辨率人脸图像IHR进行高斯滤波,来模拟照相机的点散射函数,然后下采样得到低分辨率图像ILR,其中采样系数为r,即r为超分辨率重建的放大比率。
低分辨率图像ILR的计算方法为:
其中,表示二维高斯函数,x,y为图像中的像素坐标点,σ2为高斯函数的方差,Dr(k)=∑i∈win(k)Ii/r2,表示降采样函数,具体为降采样图像中的点k由图像I的k的邻域中的点计算得到,r为降采样比例;
通常,IHR和ILR都有C个颜色通道,因此,高分辨率人脸图像IHR和低分辨率图像ILR的实际张量大小分别为rH×rW×C和H×W×C。处理后的低分辨率人脸图像集作为生成对抗网络模型中的生成模型输入数据。
步骤B具体包括以下过程:
B1、由多个神经网络卷积层构建生成网络并加入亚像素卷积层完成映射;
B2、叠加多个卷积层和全连接层搭建判别网络,实现生成对抗网络模型的损失函数,计算反向梯度,连接生成网络与判别网络组成生成对抗网络模型。
构建生成网络实质为搭建L–1层卷积网络,遵循保持每一层输入图片大小与输出大小不变的原则,其中L为可调参数,为生成网络的网络深度,可根据训练数据集的大小及模型实时性需求调整。
对于生成网络第1层,可表示如下:
f1(ILR;W1;b1)=φ(W1*ILR+b1),
则对于生成网络前L–1层,可表示如下:
fl(ILR;W1:l;b1:l)=φ(W1*fl-1(ILR)+bl),
其中,Wl、bl分别是神经网络中可学习的权重值和偏移值,l表示层数,l∈(1,L-1)。Wl是2D的大小为nl-1×nl×kl×kl的卷积核,nl是第l层的特征层数,n0=C;kl是第l层的卷积核尺寸,bl是长度为nl的向量,φ为非线性函数即激活函数。
亚像素卷积层的实现过程可表示如下:
其中WL是大小为nL-1×r2C×kL×kL的权重值,是一个周期随机打乱操作将一个大小为H×W×r2C张量变换为大小为rH×rW×C的张量。
即:
亚像素卷积层没有包含非线性操作,直接利用低分辨率图像的特征图中的数据产生高分辨率图像。而传统插值方法实现尺寸放大操作,卷积层的计算发生在高分辨率空间,会增长r2倍的计算量。如果采用反卷积网络,每一个输入像素都会与反卷积核元素智能相乘相加,叠加得到最终结果,计算更加复杂。因为反卷积核在滑动过程中,存在跨度r,结果中部分像素点上比其他位置累加了更多的次数,容易产生棋盘状噪声,影响图像边缘及细节信息。本发明中采用亚像素卷积层在保证速度的同时,有更好的图像超分辨率生成效果。
判别网络是生成对抗网络的重要组成部分,在后续训练过程中起到重要的指导作用。设计原则是判别网络的学习能力必须强于生成网络,传递给生成网络足够的梯度信息来促进生成网络的优化。本发明中级联M个卷积层,M>L,之后连接两个全连接层。卷积层作为特征层,用来表征判别网络学习到的输入人脸图像的抽象特征,特征层后的全连接层作为判别网络的分类层,得出判别结果。
生成对抗网络模型的损失函数是指示整个训练过程的指标,对生成网络的表现至关重要,其包括生成网络的损失函数和判别网络的损失函数。
损失函数通常定义为:给定的训练集中包含高分辨率图像相对于的低分辨率图像为计算生成高分辨率图像与实际逐像素均方差即MSE作为目标函数,其中,n=1、2、3、...N,具体表示为:
但是,使用求逐像素均方差作为损失函数,计算仅用对应像素作为参考,无法得到两个图像之间在语义上的差异。本发明提出加权型损失函数,即生成网络的损失函数等于特征损失函数与相对损失函数的加权和。特征损失函数通过计算生成高分辨率图像特征与实际图像特征的均方误差得到,表示图像的语义差异大小。本发明中使用的特征损失函数定义如下:
其中,
式中,IHR指训练集中的高分辨率图像,ISR指重建的高分辨率图像,x,y为IHR和ISR中的像素点坐标,FSR、FHR为经过判别网络M+1层所提取到的人脸特征,n为特征向量的维度;
相对损失函数为:
其中,表示判别网络对低分辨率人脸图像ILR输入生成网络所生成图像的判别结果,
因此,生成网络的加权型损失函数可表示为:
其中,λ为可变参数,用于调节相对损失函数的影响比例。本发明中针对生成网络的加权型损失函数既考虑了人脸图像的特征层次的语义差异信息,又结合了生成对抗网络模型对重建图像的全局判别信息,进而保证了人脸重建图像的特征不变性。
所述判别网络的损失函数为原始高分辨率人脸图像与生成高分辨率人脸图像判别结果的交叉熵损失函数之和,其中,交叉熵损失函数为:
式中,zy表示真实结果,zj表示经过判别网络得到的结果,m为判别结果个数。
步骤C中的模型训练过程可基于谷歌开源的Tensorflow深度学习平台来进行。为了使得判别网络达到最佳效果,首先对判别网络单独进行预训练过程,具体为将步骤A中得到的训练集中的高分辨率人脸图像分批次输入判别网络中,不断迭代,达到预期效果,使得判别网络具备基本的判别能力。正式训练过程采用训练集中成对的人脸图像,将低分辨率人脸图像输入生成网络,得到重建结果,再将重建结果与真实高分辨率图像分别输入判别网络,将判别信息反向传输至生成网络。如上所述,通过指定迭代次数来进行网络参数更新,同时,可以预留部分图像对,在训练过程中进行校验操作,随时观测网络的学习效果。
步骤D中,对需要超分辨重建的图片进行人脸检测及关键点检测,通过人脸关键点对齐算法,对图片进行旋转、缩放、裁剪等操作,得到尺寸归一化的低分辨率人脸图像。将该图像作为生成网络的输入,得到的输出即为超分辨率重建后的高分辨率图像。如图1至图4所示,是放大比率r=4的超分辨率重建效果图。其中图1为原始高分辨率人脸图像及细节放大图,图2为双三次插值结果及细节放大图,图3为基于反卷积的生成对抗网络模型的重建结果及细节放大图,图4为本发明的人脸超分辨率重建结果及细节放大图,由图可得,本发明算法重建出的图像在边缘细节方面都有更好的效果,人脸特征更明显,更接近于原始高分辨率人脸图像。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,包括以下步骤:
A、制作低分辨率人脸图像与对应高分辨率人脸图像训练集;
B、构建用于训练的生成对抗网络模型,在生成网络中加入亚像素卷积层,引入包含特征损失的加权型损失函数;
C、将步骤A得到的训练集依次输入生成对抗网络模型中进行模型训练,调整参数,达到收敛;
D、将待处理的图像进行预处理,输入步骤C得到的对抗模型得到超分辨率重建后的高分辨率图像。
2.根据权利要求1所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述步骤A具体为:
A1、获取人脸数据集并判别图像质量;
A2、对人脸数据集中的每张图片进行人脸检测和关键点检测,通过人脸关键点对齐算法对图片进行处理得到尺寸归一化的高分辨率人脸图像IHR;
A3、对高分辨率人脸图像IHR进行高斯滤波,然后下采样得到低分辨率图像ILR。
3.根据权利要求1所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述低分辨率图像ILR的计算方法为:
<mrow>
<msup>
<mi>I</mi>
<mrow>
<mi>L</mi>
<mi>R</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>I</mi>
<mrow>
<mi>H</mi>
<mi>R</mi>
</mrow>
</msup>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>&CircleTimes;</mo>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,x,y为图像中的像素坐标点,σ2为高斯函数的方差,Dr(k)=∑i∈win(k)Ii/r2,表示降采样函数,具体为降采样图像中的点k由图像I的k的邻域中的点计算得到,r为降采样比例;
高分辨率人脸图像IHR和低分辨率图像ILR的实际张量大小分别为rH×rW×C和H×W×C。
4.根据权利要求1所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述步骤B具体为:
B1、由多个神经网络卷积层构建生成网络并加入亚像素卷积层完成映射;
B2、叠加多个卷积层和全连接层搭建判别网络,实现生成对抗网络模型的损失函数,计算反向梯度,连接生成网络与判别网络组成生成对抗网络模型。
5.根据权利要求4所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,构建生成网络为搭建L–1层卷积网络,每一层输入图片大小与输出大小相同,其中,L为生成网络的网络深度,对于生成网络的前L–1层,表示为:
fl(ILR;W1:l;b1:l)=φ(Wl*fl-1(ILR)+bl),
其中,Wl、bl分别是神经网络中可学习的权重值和偏移值;l表示层数,l∈(1,L-1);Wl是2D的大小为nl-1×nl×kl×kl的卷积核,nl是第l层的特征层数,n0=C;kl是第l层的卷积核尺寸,bl是长度为nl的向量,φ为非线性函数;
亚像素卷积层的实现过程为:
其中WL是大小为nL-1×r2C×kL×kL的权重值,是一个周期随机打乱操作将一个大小为H×W×r2C张量变换为大小为rH×rW×C的张量。
6.根据权利要求4所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述卷积层的层数为M,全连接层的为2层,其中,M>L。
7.根据权利要求6所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述损失函数包括生成网络的损失函数,所述生成网络的损失函数等于特征损失函数与相对损失函数的加权和,其中,
特征损失函数为:
其中,
式中,IHR指训练集中的高分辨率图像,ISR指重建的高分辨率图像,x,y为IHR和ISR中的像素点坐标,FSR、FHR为经过判别网络M+1层所提取到的人脸特征,n为特征向量的维度;
相对损失函数为:
其中,表示判别网络对低分辨率人脸图像ILR输入生成网络所生成图像的判别结果。
8.根据权利要求1所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述损失函数包括判别网络的损失函数,所述判别网络的损失函数为原始高分辨率人脸图像与生成高分辨率人脸图像判别结果的交叉熵损失函数之和,其中,交叉熵损失函数为:
式中,zy表示真实结果,zj表示经过判别网络得到的结果,m为判别结果个数。
9.根据权利要求1所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述步骤C的具体过程为,
预训练:将步骤A得到的训练集的高分辨率人脸图像依次输入到对抗模型的判别网络中,不断迭代,使判别网络具备基本的判别能力;
正式训练:采用训练集中成对的人脸图像,将低分辨率人脸图像输入到对抗模型的生成网络中,得到重建结果,再将重建结果与真实高分辨率图像分别输入判别网络,将判别信息反向传输至生成网络。
10.根据权利要求1所述的基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法,其特征在于,所述步骤D具体为,
将待处理的图片进行人脸检测及关键点检测,通过人脸关键点对齐算法对图片进行处理,得到尺寸归一化的低分辨率人脸图像,并将该图片作为生成网络的输入,即得超分辨率重建后的高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347472.8A CN107154023B (zh) | 2017-05-17 | 2017-05-17 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347472.8A CN107154023B (zh) | 2017-05-17 | 2017-05-17 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107154023A true CN107154023A (zh) | 2017-09-12 |
CN107154023B CN107154023B (zh) | 2019-11-05 |
Family
ID=59793607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710347472.8A Active CN107154023B (zh) | 2017-05-17 | 2017-05-17 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107154023B (zh) |
Cited By (148)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN107767384A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
CN107886162A (zh) * | 2017-11-14 | 2018-04-06 | 华南理工大学 | 一种基于wgan模型的可变形卷积核方法 |
CN107895358A (zh) * | 2017-12-25 | 2018-04-10 | 科大讯飞股份有限公司 | 人脸图像的增强方法及系统 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN107945133A (zh) * | 2017-11-30 | 2018-04-20 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN107958246A (zh) * | 2018-01-17 | 2018-04-24 | 深圳市唯特视科技有限公司 | 一种基于新型端到端人脸超分辨率网络的图像对齐方法 |
CN107977511A (zh) * | 2017-11-30 | 2018-05-01 | 浙江传媒学院 | 一种基于深度学习的工业品外观材质高保真实时仿真算法 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
CN107992944A (zh) * | 2017-11-14 | 2018-05-04 | 华南理工大学 | 一种基于原始生成对抗网络模型的多尺度卷积方法 |
CN107993210A (zh) * | 2017-11-30 | 2018-05-04 | 北京小米移动软件有限公司 | 图像修复方法、装置及计算机可读存储介质 |
CN108009568A (zh) * | 2017-11-14 | 2018-05-08 | 华南理工大学 | 一种基于wgan模型的行人检测方法 |
CN108021978A (zh) * | 2017-11-14 | 2018-05-11 | 华南理工大学 | 一种基于wgan模型的空洞卷积方法 |
CN108022213A (zh) * | 2017-11-29 | 2018-05-11 | 天津大学 | 基于生成对抗网络的视频超分辨率重建算法 |
CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
CN108062421A (zh) * | 2018-01-09 | 2018-05-22 | 焦点科技股份有限公司 | 一种大规模图片多尺度语义检索方法 |
CN108090465A (zh) * | 2017-12-29 | 2018-05-29 | 国信优易数据有限公司 | 一种妆容效果处理模型训练方法及妆容效果处理方法 |
CN108182669A (zh) * | 2018-01-02 | 2018-06-19 | 华南理工大学 | 一种基于多个图片尺寸的生成对抗网络的超分辨率复原方法 |
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
CN108229348A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 遮挡人脸图像的识别装置 |
CN108305239A (zh) * | 2018-03-06 | 2018-07-20 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 |
CN108334816A (zh) * | 2018-01-15 | 2018-07-27 | 桂林电子科技大学 | 基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法 |
CN108334848A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
CN108334847A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种真实场景下的基于深度学习的人脸识别方法 |
CN108427939A (zh) * | 2018-03-30 | 2018-08-21 | 百度在线网络技术(北京)有限公司 | 模型生成方法和装置 |
CN108460760A (zh) * | 2018-03-06 | 2018-08-28 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 |
CN108460391A (zh) * | 2018-03-09 | 2018-08-28 | 西安电子科技大学 | 基于生成对抗网络的高光谱图像无监督特征提取方法 |
CN108510444A (zh) * | 2018-04-02 | 2018-09-07 | 景德镇陶瓷大学 | 一种高分辨率陶瓷花纸图案的生成方法及装置 |
CN108596062A (zh) * | 2018-04-12 | 2018-09-28 | 清华大学 | 基于深度学习的人脸图片实时高光去除方法及装置 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
CN108734659A (zh) * | 2018-05-17 | 2018-11-02 | 华中科技大学 | 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 |
CN108805809A (zh) * | 2018-05-28 | 2018-11-13 | 天津科技大学 | 一种基于生成对抗网络的红外人脸图像超分辨率重建方法 |
CN108875766A (zh) * | 2017-11-29 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理的方法、装置、系统及计算机存储介质 |
CN108881707A (zh) * | 2017-11-28 | 2018-11-23 | 北京旷视科技有限公司 | 图像生成方法、装置、系统和存储介质 |
CN108876853A (zh) * | 2017-11-30 | 2018-11-23 | 北京旷视科技有限公司 | 图像定位方法、装置、系统和存储介质 |
CN108875511A (zh) * | 2017-12-01 | 2018-11-23 | 北京迈格威科技有限公司 | 图像生成的方法、装置、系统及计算机存储介质 |
CN108898549A (zh) * | 2018-05-29 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN108960159A (zh) * | 2018-07-10 | 2018-12-07 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的热成像人脸识别方法 |
CN108961161A (zh) * | 2018-05-24 | 2018-12-07 | 上海商汤智能科技有限公司 | 一种图像数据处理方法、装置和计算机存储介质 |
CN109035149A (zh) * | 2018-03-13 | 2018-12-18 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN109035142A (zh) * | 2018-07-16 | 2018-12-18 | 西安交通大学 | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 |
CN109102029A (zh) * | 2018-08-23 | 2018-12-28 | 重庆科技学院 | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 |
CN109118431A (zh) * | 2018-09-05 | 2019-01-01 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
CN109191378A (zh) * | 2018-07-25 | 2019-01-11 | 成都信息工程大学 | 基于ergan网络单幅图像超分辨重建方法 |
CN109345455A (zh) * | 2018-09-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
CN109361934A (zh) * | 2018-11-30 | 2019-02-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109410141A (zh) * | 2018-10-26 | 2019-03-01 | 北京金山云网络技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN109474851A (zh) * | 2018-10-30 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 视频转换方法、装置及设备 |
CN109509149A (zh) * | 2018-10-15 | 2019-03-22 | 天津大学 | 一种基于双通道卷积网络特征融合的超分辨率重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN109544457A (zh) * | 2018-12-04 | 2019-03-29 | 电子科技大学 | 基于致密链接神经网络的图像超分辨率方法、存储介质和终端 |
CN109558836A (zh) * | 2018-11-28 | 2019-04-02 | 中国科学院深圳先进技术研究院 | 一种人脸图像的处理方法及相关设备 |
CN109584257A (zh) * | 2018-11-28 | 2019-04-05 | 中国科学院深圳先进技术研究院 | 一种图像处理方法及相关设备 |
CN109584162A (zh) * | 2018-11-30 | 2019-04-05 | 江苏网进科技股份有限公司 | 一种基于生成网络的图像超分辨率重构的方法 |
CN109615582A (zh) * | 2018-11-30 | 2019-04-12 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
CN109636721A (zh) * | 2018-11-29 | 2019-04-16 | 武汉大学 | 基于对抗学习和注意力机制的视频超分辨率方法 |
CN109671022A (zh) * | 2019-01-22 | 2019-04-23 | 北京理工大学 | 一种基于深度特征翻译网络的图片纹理增强超分辨率方法 |
CN109685716A (zh) * | 2018-12-14 | 2019-04-26 | 大连海事大学 | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 |
CN109674471A (zh) * | 2018-12-18 | 2019-04-26 | 中国科学技术大学 | 一种基于生成对抗网络的电阻抗成像方法及系统 |
CN109711364A (zh) * | 2018-12-29 | 2019-05-03 | 成都视观天下科技有限公司 | 一种人脸图像超分辨重建方法、装置及计算机设备 |
CN109753946A (zh) * | 2019-01-23 | 2019-05-14 | 哈尔滨工业大学 | 一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法 |
CN109785237A (zh) * | 2019-01-25 | 2019-05-21 | 广东工业大学 | 一种太赫兹图像超分辨率重建方法、系统及相关装置 |
CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
CN109816593A (zh) * | 2019-01-18 | 2019-05-28 | 大连海事大学 | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 |
CN109884018A (zh) * | 2019-03-22 | 2019-06-14 | 华中科技大学 | 一种基于神经网络的亚微米级无透镜显微成像方法及系统 |
CN109902546A (zh) * | 2018-05-28 | 2019-06-18 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN109948584A (zh) * | 2019-03-28 | 2019-06-28 | 北京深醒科技有限公司 | 一种基于对抗神经网络的微小人脸检测方法和装置 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN109993702A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于生成对抗网络的满文图像超分辨率重建方法 |
CN110009568A (zh) * | 2019-04-10 | 2019-07-12 | 大连民族大学 | 满文图像超分辨率重建的生成器构建方法 |
CN110059793A (zh) * | 2017-10-26 | 2019-07-26 | 辉达公司 | 生成式对抗神经网络的逐步修改 |
CN110120024A (zh) * | 2019-05-20 | 2019-08-13 | 百度在线网络技术(北京)有限公司 | 图像处理的方法、装置、设备和存储介质 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN110135301A (zh) * | 2019-04-30 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 交通牌识别方法、装置、设备和计算机可读介质 |
CN110148085A (zh) * | 2019-04-22 | 2019-08-20 | 智慧眼科技股份有限公司 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
CN110189253A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 一种基于改进生成对抗网络的图像超分辨率重建方法 |
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110211045A (zh) * | 2019-05-29 | 2019-09-06 | 电子科技大学 | 基于srgan网络的超分辨率人脸图像重建方法 |
WO2019169594A1 (en) * | 2018-03-08 | 2019-09-12 | Intel Corporation | Methods and apparatus to generate three-dimensional (3d) model for 3d scene reconstruction |
CN110324635A (zh) * | 2018-03-30 | 2019-10-11 | 北京大学 | 分像素插值方法、系统、计算机设备和介质 |
CN110349085A (zh) * | 2019-06-28 | 2019-10-18 | 西安工程大学 | 一种基于生成对抗网络的单幅图像超分辨特征增强方法 |
CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
CN110363068A (zh) * | 2019-05-28 | 2019-10-22 | 中国矿业大学 | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 |
CN110363704A (zh) * | 2019-05-29 | 2019-10-22 | 西北大学 | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 |
CN110378979A (zh) * | 2019-07-04 | 2019-10-25 | 公安部第三研究所 | 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法 |
CN110414372A (zh) * | 2019-07-08 | 2019-11-05 | 北京亮亮视野科技有限公司 | 增强的人脸检测方法、装置及电子设备 |
CN110414463A (zh) * | 2019-08-05 | 2019-11-05 | 北京深醒科技有限公司 | 一种基于人脸超分辨率的人脸检测模型 |
CN110472457A (zh) * | 2018-05-10 | 2019-11-19 | 成都视观天下科技有限公司 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
CN110490968A (zh) * | 2019-07-18 | 2019-11-22 | 西安理工大学 | 基于生成对抗网络的光场轴向重聚焦图像超分辨方法 |
CN110490807A (zh) * | 2019-08-27 | 2019-11-22 | 中国人民公安大学 | 图像重建方法、装置及存储介质 |
CN110533004A (zh) * | 2019-09-07 | 2019-12-03 | 哈尔滨理工大学 | 一种基于深度学习的复杂场景人脸识别系统 |
CN110580680A (zh) * | 2019-09-09 | 2019-12-17 | 武汉工程大学 | 基于组合学习的人脸超分辨率方法及装置 |
CN110647820A (zh) * | 2019-08-28 | 2020-01-03 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN110675320A (zh) * | 2019-09-24 | 2020-01-10 | 南京工程学院 | 一种空间参数变化及复杂场景下目标图像清晰化方法 |
CN110689482A (zh) * | 2019-09-18 | 2020-01-14 | 中国科学技术大学 | 一种基于有监督逐像素生成对抗网络的人脸超分辨率方法 |
CN110706157A (zh) * | 2019-09-18 | 2020-01-17 | 中国科学技术大学 | 一种基于身份先验生成对抗网络的人脸超分辨率重建方法 |
NL2022758B1 (en) * | 2018-07-27 | 2020-01-31 | Univ Xuzhou Technology | Image Super-resolution Reconstruction Method Based on Multi-scale Generative Adversarial Network |
CN110766609A (zh) * | 2019-08-29 | 2020-02-07 | 王少熙 | 一种针对ToF相机的景深图超分辨率重建方法 |
CN110889895A (zh) * | 2019-11-11 | 2020-03-17 | 南昌大学 | 一种融合单帧重建网络的人脸视频超分辨率重建方法 |
CN111080513A (zh) * | 2019-10-24 | 2020-04-28 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的人脸图像超分辨率方法 |
CN111105349A (zh) * | 2018-10-26 | 2020-05-05 | 珠海格力电器股份有限公司 | 一种图像处理方法 |
CN111105352A (zh) * | 2019-12-16 | 2020-05-05 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
CN111127316A (zh) * | 2019-10-29 | 2020-05-08 | 山东大学 | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 |
CN111226229A (zh) * | 2017-10-26 | 2020-06-02 | 罗伯特·博世有限公司 | 用于改进机器学习系统的稳健性的方法和设备 |
CN111260552A (zh) * | 2020-01-09 | 2020-06-09 | 复旦大学 | 一种基于递进学习的图像超分辨率方法 |
CN111325050A (zh) * | 2018-12-13 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 输出信息的方法和装置 |
CN111368790A (zh) * | 2020-03-18 | 2020-07-03 | 北京三快在线科技有限公司 | 细粒度人脸识别模型的构建方法、识别方法以及构建装置 |
CN111383173A (zh) * | 2020-02-12 | 2020-07-07 | 山东师范大学 | 一种基于基线的图像超分辨率重建方法及系统 |
CN111435529A (zh) * | 2019-01-15 | 2020-07-21 | 中山大学 | 一种显微镜图像的处理方法 |
CN111489289A (zh) * | 2019-04-02 | 2020-08-04 | 同观科技(深圳)有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
CN111488779A (zh) * | 2019-07-19 | 2020-08-04 | 同观科技(深圳)有限公司 | 视频图像超分辨率重建方法、装置、服务器及存储介质 |
CN111489290A (zh) * | 2019-04-02 | 2020-08-04 | 同观科技(深圳)有限公司 | 一种人脸图像超分辨重建方法、装置及终端设备 |
CN111507914A (zh) * | 2020-04-10 | 2020-08-07 | 北京百度网讯科技有限公司 | 人脸修复模型的训练方法、修复方法、装置、设备和介质 |
CN111563841A (zh) * | 2019-11-13 | 2020-08-21 | 南京信息工程大学 | 一种基于生成对抗网络的高分辨率图像生成方法 |
CN111583113A (zh) * | 2020-04-30 | 2020-08-25 | 电子科技大学 | 一种基于生成对抗网络的红外图像超分辨率重建方法 |
CN111652803A (zh) * | 2020-05-22 | 2020-09-11 | 中国科学技术大学 | 一种横向束流截面超分辨率重建方法 |
CN111712832A (zh) * | 2017-12-27 | 2020-09-25 | 脸谱公司 | 使用机器学习的自动图像校正 |
CN112070022A (zh) * | 2020-09-09 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
CN112102170A (zh) * | 2020-09-18 | 2020-12-18 | 重庆紫光华山智安科技有限公司 | 超分辨率重建网络训练、图像生成方法、系统、终端及介质 |
CN108229381B (zh) * | 2017-12-29 | 2021-01-08 | 湖南视觉伟业智能科技有限公司 | 人脸图像生成方法、装置、存储介质和计算机设备 |
CN112233017A (zh) * | 2020-10-28 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 一种基于生成对抗网络的病态人脸数据增强方法 |
CN112270644A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 基于空间特征变换和跨尺度特征集成的人脸超分辨方法 |
US10909421B2 (en) | 2018-12-13 | 2021-02-02 | Industrial Technology Research Institute | Training method for phase image generator and training method of phase image classifier |
CN112345251A (zh) * | 2020-11-04 | 2021-02-09 | 山东科技大学 | 基于信号分辨率增强的机械智能故障诊断方法 |
CN112364826A (zh) * | 2020-12-01 | 2021-02-12 | 金陵科技学院 | 一种基于航拍图像的害虫识别方法 |
CN112507617A (zh) * | 2020-12-03 | 2021-03-16 | 青岛海纳云科技控股有限公司 | 一种SRFlow超分辨率模型的训练方法及人脸识别方法 |
CN112818764A (zh) * | 2021-01-15 | 2021-05-18 | 西安交通大学 | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 |
WO2021134872A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于生成对抗网络的马赛克人脸图像超分辨率重建方法 |
CN113191495A (zh) * | 2021-03-26 | 2021-07-30 | 网易(杭州)网络有限公司 | 超分模型的训练及人脸识别方法、装置、介质及电子设备 |
CN113379597A (zh) * | 2021-05-19 | 2021-09-10 | 宜宾电子科技大学研究院 | 人脸超分辨率重构方法 |
WO2021185225A1 (zh) * | 2020-03-16 | 2021-09-23 | 徐州工程学院 | 基于自适应调整的图像超分辨率重建方法 |
CN113674154A (zh) * | 2021-08-23 | 2021-11-19 | 北京印刷学院 | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 |
CN113689337A (zh) * | 2021-08-27 | 2021-11-23 | 华东师范大学 | 一种基于生成对抗网络的超声图像超分辨率重建方法及系统 |
CN113705078A (zh) * | 2021-07-21 | 2021-11-26 | 山东科技大学 | 一种转速波动下信号分辨率增强的轴承故障诊断方法 |
CN113723174A (zh) * | 2021-07-09 | 2021-11-30 | 北京工业大学 | 基于生成对抗网络的人脸图像超分辨修复重建方法及系统 |
CN113836974A (zh) * | 2020-06-23 | 2021-12-24 | 江苏翼视智能科技有限公司 | 一种基于超分辨率重构的监控视频行人检测方法 |
CN113887371A (zh) * | 2021-09-26 | 2022-01-04 | 华南理工大学 | 一种用于低分辨率人脸识别的数据增强方法 |
CN114067399A (zh) * | 2021-11-16 | 2022-02-18 | 桂林电子科技大学 | 面向非配合场景的人脸重建与识别方法 |
WO2022057837A1 (zh) * | 2020-09-16 | 2022-03-24 | 广州虎牙科技有限公司 | 图像处理和人像超分辨率重建及模型训练方法、装置、电子设备及存储介质 |
CN114241077A (zh) * | 2022-02-23 | 2022-03-25 | 南昌睿度医疗科技有限公司 | 一种ct图像分辨率优化方法及装置 |
TWI760657B (zh) * | 2019-11-14 | 2022-04-11 | 和碩聯合科技股份有限公司 | 異常偵測模型的訓練方法及使用此方法的電子裝置 |
US11348005B2 (en) | 2018-09-30 | 2022-05-31 | Boe Technology Group Co., Ltd. | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
CN114842819A (zh) * | 2022-05-11 | 2022-08-02 | 电子科技大学 | 基于深度强化学习的单音轨midi音乐生成方法 |
CN114913086A (zh) * | 2022-05-05 | 2022-08-16 | 上海云思智慧信息技术有限公司 | 基于生成对抗网络的人脸图像质量增强方法 |
WO2023035531A1 (zh) * | 2021-09-10 | 2023-03-16 | 平安科技(深圳)有限公司 | 文本图像超分辨率重建方法及其相关设备 |
CN116485713A (zh) * | 2023-03-01 | 2023-07-25 | 北京邮电大学 | 针对图像的计数方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521810A (zh) * | 2011-12-16 | 2012-06-27 | 武汉大学 | 一种基于局部约束表示的人脸超分辨率重建方法 |
CN102915527A (zh) * | 2012-10-15 | 2013-02-06 | 中山大学 | 基于形态学成分分析的人脸图像超分辨率重建方法 |
CN104766272A (zh) * | 2015-04-17 | 2015-07-08 | 河海大学 | 一种基于亚像素偏移模型的图像超分辨率重建方法 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
-
2017
- 2017-05-17 CN CN201710347472.8A patent/CN107154023B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521810A (zh) * | 2011-12-16 | 2012-06-27 | 武汉大学 | 一种基于局部约束表示的人脸超分辨率重建方法 |
CN102915527A (zh) * | 2012-10-15 | 2013-02-06 | 中山大学 | 基于形态学成分分析的人脸图像超分辨率重建方法 |
CN104766272A (zh) * | 2015-04-17 | 2015-07-08 | 河海大学 | 一种基于亚像素偏移模型的图像超分辨率重建方法 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
CHRISTIAN LEDIG 等: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", 《RESEARCHGATE》 * |
WENZHE SHI等: "Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
胡传平 等: "基于深度学习的图像超分辨率算法研究", 《铁道警察学院学报》 * |
Cited By (230)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902245B2 (en) | 2017-09-21 | 2021-01-26 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for facial recognition |
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN111226229A (zh) * | 2017-10-26 | 2020-06-02 | 罗伯特·博世有限公司 | 用于改进机器学习系统的稳健性的方法和设备 |
CN110059793B (zh) * | 2017-10-26 | 2024-01-26 | 辉达公司 | 生成式对抗神经网络的逐步修改 |
CN110059793A (zh) * | 2017-10-26 | 2019-07-26 | 辉达公司 | 生成式对抗神经网络的逐步修改 |
CN111226229B (zh) * | 2017-10-26 | 2024-03-29 | 罗伯特·博世有限公司 | 用于改进机器学习系统的稳健性的方法和设备 |
CN107945204B (zh) * | 2017-10-27 | 2021-06-25 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN107767384B (zh) * | 2017-11-03 | 2021-12-03 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
CN107767384A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
CN107992944A (zh) * | 2017-11-14 | 2018-05-04 | 华南理工大学 | 一种基于原始生成对抗网络模型的多尺度卷积方法 |
CN108009568A (zh) * | 2017-11-14 | 2018-05-08 | 华南理工大学 | 一种基于wgan模型的行人检测方法 |
CN108021978A (zh) * | 2017-11-14 | 2018-05-11 | 华南理工大学 | 一种基于wgan模型的空洞卷积方法 |
CN107886162A (zh) * | 2017-11-14 | 2018-04-06 | 华南理工大学 | 一种基于wgan模型的可变形卷积核方法 |
CN108881707A (zh) * | 2017-11-28 | 2018-11-23 | 北京旷视科技有限公司 | 图像生成方法、装置、系统和存储介质 |
CN108881707B (zh) * | 2017-11-28 | 2020-11-10 | 北京旷视科技有限公司 | 图像生成方法、装置、系统和存储介质 |
CN108875766A (zh) * | 2017-11-29 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理的方法、装置、系统及计算机存储介质 |
CN108022213A (zh) * | 2017-11-29 | 2018-05-11 | 天津大学 | 基于生成对抗网络的视频超分辨率重建算法 |
CN107993210A (zh) * | 2017-11-30 | 2018-05-04 | 北京小米移动软件有限公司 | 图像修复方法、装置及计算机可读存储介质 |
CN107945133A (zh) * | 2017-11-30 | 2018-04-20 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN107945133B (zh) * | 2017-11-30 | 2022-08-05 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN108876853B (zh) * | 2017-11-30 | 2020-12-25 | 北京旷视科技有限公司 | 图像定位方法、装置、系统和存储介质 |
CN108876853A (zh) * | 2017-11-30 | 2018-11-23 | 北京旷视科技有限公司 | 图像定位方法、装置、系统和存储介质 |
CN107977511A (zh) * | 2017-11-30 | 2018-05-01 | 浙江传媒学院 | 一种基于深度学习的工业品外观材质高保真实时仿真算法 |
CN108875511A (zh) * | 2017-12-01 | 2018-11-23 | 北京迈格威科技有限公司 | 图像生成的方法、装置、系统及计算机存储介质 |
CN108875511B (zh) * | 2017-12-01 | 2022-06-21 | 北京迈格威科技有限公司 | 图像生成的方法、装置、系统及计算机存储介质 |
CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
CN108229348A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 遮挡人脸图像的识别装置 |
CN108229348B (zh) * | 2017-12-21 | 2020-04-28 | 中国科学院自动化研究所 | 遮挡人脸图像的识别装置 |
CN107895358A (zh) * | 2017-12-25 | 2018-04-10 | 科大讯飞股份有限公司 | 人脸图像的增强方法及系统 |
CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
CN111712832A (zh) * | 2017-12-27 | 2020-09-25 | 脸谱公司 | 使用机器学习的自动图像校正 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
CN107977932B (zh) * | 2017-12-28 | 2021-04-23 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
CN108229381B (zh) * | 2017-12-29 | 2021-01-08 | 湖南视觉伟业智能科技有限公司 | 人脸图像生成方法、装置、存储介质和计算机设备 |
CN108090465A (zh) * | 2017-12-29 | 2018-05-29 | 国信优易数据有限公司 | 一种妆容效果处理模型训练方法及妆容效果处理方法 |
CN108090465B (zh) * | 2017-12-29 | 2020-05-01 | 国信优易数据有限公司 | 一种妆容效果处理模型训练方法及妆容效果处理方法 |
CN108182669A (zh) * | 2018-01-02 | 2018-06-19 | 华南理工大学 | 一种基于多个图片尺寸的生成对抗网络的超分辨率复原方法 |
CN108062421A (zh) * | 2018-01-09 | 2018-05-22 | 焦点科技股份有限公司 | 一种大规模图片多尺度语义检索方法 |
CN108334816A (zh) * | 2018-01-15 | 2018-07-27 | 桂林电子科技大学 | 基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法 |
CN107958246A (zh) * | 2018-01-17 | 2018-04-24 | 深圳市唯特视科技有限公司 | 一种基于新型端到端人脸超分辨率网络的图像对齐方法 |
CN108334847A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种真实场景下的基于深度学习的人脸识别方法 |
CN108334847B (zh) * | 2018-02-06 | 2019-10-22 | 哈尔滨工业大学 | 一种真实场景下的基于深度学习的人脸识别方法 |
CN108334848A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
CN108305239A (zh) * | 2018-03-06 | 2018-07-20 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 |
CN108305239B (zh) * | 2018-03-06 | 2020-08-11 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 |
CN108460760A (zh) * | 2018-03-06 | 2018-08-28 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 |
CN108460760B (zh) * | 2018-03-06 | 2020-08-25 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 |
US11508120B2 (en) | 2018-03-08 | 2022-11-22 | Intel Corporation | Methods and apparatus to generate a three-dimensional (3D) model for 3D scene reconstruction |
WO2019169594A1 (en) * | 2018-03-08 | 2019-09-12 | Intel Corporation | Methods and apparatus to generate three-dimensional (3d) model for 3d scene reconstruction |
CN108460391B (zh) * | 2018-03-09 | 2022-03-22 | 西安电子科技大学 | 基于生成对抗网络的高光谱图像无监督特征提取方法 |
CN108460391A (zh) * | 2018-03-09 | 2018-08-28 | 西安电子科技大学 | 基于生成对抗网络的高光谱图像无监督特征提取方法 |
CN109035149B (zh) * | 2018-03-13 | 2021-07-09 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN109035149A (zh) * | 2018-03-13 | 2018-12-18 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
CN110324635B (zh) * | 2018-03-30 | 2021-06-15 | 北京大学 | 分像素插值方法、系统、计算机设备和介质 |
CN110324635A (zh) * | 2018-03-30 | 2019-10-11 | 北京大学 | 分像素插值方法、系统、计算机设备和介质 |
CN108427939A (zh) * | 2018-03-30 | 2018-08-21 | 百度在线网络技术(北京)有限公司 | 模型生成方法和装置 |
CN108510444A (zh) * | 2018-04-02 | 2018-09-07 | 景德镇陶瓷大学 | 一种高分辨率陶瓷花纸图案的生成方法及装置 |
CN108596062A (zh) * | 2018-04-12 | 2018-09-28 | 清华大学 | 基于深度学习的人脸图片实时高光去除方法及装置 |
CN110472457A (zh) * | 2018-05-10 | 2019-11-19 | 成都视观天下科技有限公司 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
CN108734659B (zh) * | 2018-05-17 | 2021-08-20 | 华中科技大学 | 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 |
CN108734659A (zh) * | 2018-05-17 | 2018-11-02 | 华中科技大学 | 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 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
CN108961161B (zh) * | 2018-05-24 | 2023-09-22 | 上海商汤智能科技有限公司 | 一种图像数据处理方法、装置和计算机存储介质 |
CN108961161A (zh) * | 2018-05-24 | 2018-12-07 | 上海商汤智能科技有限公司 | 一种图像数据处理方法、装置和计算机存储介质 |
CN109902546A (zh) * | 2018-05-28 | 2019-06-18 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN108805809A (zh) * | 2018-05-28 | 2018-11-13 | 天津科技大学 | 一种基于生成对抗网络的红外人脸图像超分辨率重建方法 |
CN109902546B (zh) * | 2018-05-28 | 2020-11-06 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN108898549A (zh) * | 2018-05-29 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN108711138B (zh) * | 2018-06-06 | 2022-02-11 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
CN108960159A (zh) * | 2018-07-10 | 2018-12-07 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的热成像人脸识别方法 |
CN109035142A (zh) * | 2018-07-16 | 2018-12-18 | 西安交通大学 | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 |
CN109035142B (zh) * | 2018-07-16 | 2020-06-19 | 西安交通大学 | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 |
CN109191378A (zh) * | 2018-07-25 | 2019-01-11 | 成都信息工程大学 | 基于ergan网络单幅图像超分辨重建方法 |
NL2022758B1 (en) * | 2018-07-27 | 2020-01-31 | Univ Xuzhou Technology | Image Super-resolution Reconstruction Method Based on Multi-scale Generative Adversarial Network |
CN109102029A (zh) * | 2018-08-23 | 2018-12-28 | 重庆科技学院 | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 |
CN109102029B (zh) * | 2018-08-23 | 2023-04-07 | 重庆科技学院 | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 |
CN109118431A (zh) * | 2018-09-05 | 2019-01-01 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
CN109118431B (zh) * | 2018-09-05 | 2022-11-15 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
US11449751B2 (en) | 2018-09-30 | 2022-09-20 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
CN109345455A (zh) * | 2018-09-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
US11348005B2 (en) | 2018-09-30 | 2022-05-31 | Boe Technology Group Co., Ltd. | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
US11361222B2 (en) | 2018-09-30 | 2022-06-14 | Boe Technology Group Co., Ltd. | System, method, and computer-readable medium for image classification |
US11615505B2 (en) | 2018-09-30 | 2023-03-28 | Boe Technology Group Co., Ltd. | Apparatus and method for image processing, and system for training neural network |
CN109345455B (zh) * | 2018-09-30 | 2021-01-26 | 京东方科技集团股份有限公司 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
CN109509149A (zh) * | 2018-10-15 | 2019-03-22 | 天津大学 | 一种基于双通道卷积网络特征融合的超分辨率重建方法 |
CN109410141A (zh) * | 2018-10-26 | 2019-03-01 | 北京金山云网络技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111105349A (zh) * | 2018-10-26 | 2020-05-05 | 珠海格力电器股份有限公司 | 一种图像处理方法 |
CN109474851A (zh) * | 2018-10-30 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 视频转换方法、装置及设备 |
CN109558836A (zh) * | 2018-11-28 | 2019-04-02 | 中国科学院深圳先进技术研究院 | 一种人脸图像的处理方法及相关设备 |
CN109584257B (zh) * | 2018-11-28 | 2022-12-09 | 中国科学院深圳先进技术研究院 | 一种图像处理方法及相关设备 |
CN109558836B (zh) * | 2018-11-28 | 2021-06-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像的处理方法及相关设备 |
CN109584257A (zh) * | 2018-11-28 | 2019-04-05 | 中国科学院深圳先进技术研究院 | 一种图像处理方法及相关设备 |
CN109636721A (zh) * | 2018-11-29 | 2019-04-16 | 武汉大学 | 基于对抗学习和注意力机制的视频超分辨率方法 |
CN109636721B (zh) * | 2018-11-29 | 2023-06-23 | 武汉大学 | 基于对抗学习和注意力机制的视频超分辨率方法 |
CN109615582A (zh) * | 2018-11-30 | 2019-04-12 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
CN109361934A (zh) * | 2018-11-30 | 2019-02-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109361934B (zh) * | 2018-11-30 | 2021-10-08 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
US11798145B2 (en) | 2018-11-30 | 2023-10-24 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, device, and storage medium |
CN113902921A (zh) * | 2018-11-30 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109615582B (zh) * | 2018-11-30 | 2023-09-01 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
CN109584162A (zh) * | 2018-11-30 | 2019-04-05 | 江苏网进科技股份有限公司 | 一种基于生成网络的图像超分辨率重构的方法 |
CN113902921B (zh) * | 2018-11-30 | 2022-11-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109544457A (zh) * | 2018-12-04 | 2019-03-29 | 电子科技大学 | 基于致密链接神经网络的图像超分辨率方法、存储介质和终端 |
CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
CN111325050A (zh) * | 2018-12-13 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 输出信息的方法和装置 |
US10909421B2 (en) | 2018-12-13 | 2021-02-02 | Industrial Technology Research Institute | Training method for phase image generator and training method of phase image classifier |
CN109685716B (zh) * | 2018-12-14 | 2022-12-20 | 大连海事大学 | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 |
CN109685716A (zh) * | 2018-12-14 | 2019-04-26 | 大连海事大学 | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 |
CN109674471A (zh) * | 2018-12-18 | 2019-04-26 | 中国科学技术大学 | 一种基于生成对抗网络的电阻抗成像方法及系统 |
CN109509152B (zh) * | 2018-12-29 | 2022-12-20 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN109711364A (zh) * | 2018-12-29 | 2019-05-03 | 成都视观天下科技有限公司 | 一种人脸图像超分辨重建方法、装置及计算机设备 |
CN111435529A (zh) * | 2019-01-15 | 2020-07-21 | 中山大学 | 一种显微镜图像的处理方法 |
CN111435529B (zh) * | 2019-01-15 | 2023-06-20 | 中山大学 | 一种显微镜图像的处理方法 |
CN109816593B (zh) * | 2019-01-18 | 2022-12-20 | 大连海事大学 | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 |
CN109816593A (zh) * | 2019-01-18 | 2019-05-28 | 大连海事大学 | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 |
CN109671022A (zh) * | 2019-01-22 | 2019-04-23 | 北京理工大学 | 一种基于深度特征翻译网络的图片纹理增强超分辨率方法 |
CN109671022B (zh) * | 2019-01-22 | 2022-11-18 | 北京理工大学 | 一种基于深度特征翻译网络的图片纹理增强超分辨率方法 |
CN109753946A (zh) * | 2019-01-23 | 2019-05-14 | 哈尔滨工业大学 | 一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法 |
CN109785237B (zh) * | 2019-01-25 | 2022-10-18 | 广东工业大学 | 一种太赫兹图像超分辨率重建方法、系统及相关装置 |
CN109785237A (zh) * | 2019-01-25 | 2019-05-21 | 广东工业大学 | 一种太赫兹图像超分辨率重建方法、系统及相关装置 |
CN109978762B (zh) * | 2019-02-27 | 2023-06-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN109884018A (zh) * | 2019-03-22 | 2019-06-14 | 华中科技大学 | 一种基于神经网络的亚微米级无透镜显微成像方法及系统 |
CN109884018B (zh) * | 2019-03-22 | 2020-09-18 | 华中科技大学 | 一种基于神经网络的亚微米级无透镜显微成像方法及系统 |
CN109948584A (zh) * | 2019-03-28 | 2019-06-28 | 北京深醒科技有限公司 | 一种基于对抗神经网络的微小人脸检测方法和装置 |
CN111489290A (zh) * | 2019-04-02 | 2020-08-04 | 同观科技(深圳)有限公司 | 一种人脸图像超分辨重建方法、装置及终端设备 |
CN111489289A (zh) * | 2019-04-02 | 2020-08-04 | 同观科技(深圳)有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
CN111489289B (zh) * | 2019-04-02 | 2023-09-12 | 长信智控网络科技有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
CN111489290B (zh) * | 2019-04-02 | 2023-05-16 | 长信智控网络科技有限公司 | 一种人脸图像超分辨重建方法、装置及终端设备 |
CN109993702A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于生成对抗网络的满文图像超分辨率重建方法 |
CN110009568A (zh) * | 2019-04-10 | 2019-07-12 | 大连民族大学 | 满文图像超分辨率重建的生成器构建方法 |
CN109993702B (zh) * | 2019-04-10 | 2023-09-26 | 大连民族大学 | 基于生成对抗网络的满文图像超分辨率重建方法 |
CN110189253A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 一种基于改进生成对抗网络的图像超分辨率重建方法 |
CN110189253B (zh) * | 2019-04-16 | 2023-03-31 | 浙江工业大学 | 一种基于改进生成对抗网络的图像超分辨率重建方法 |
CN110148085A (zh) * | 2019-04-22 | 2019-08-20 | 智慧眼科技股份有限公司 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
CN110135301B (zh) * | 2019-04-30 | 2022-02-22 | 百度在线网络技术(北京)有限公司 | 交通牌识别方法、装置、设备和计算机可读介质 |
CN110135301A (zh) * | 2019-04-30 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 交通牌识别方法、装置、设备和计算机可读介质 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN110136063B (zh) * | 2019-05-13 | 2023-06-23 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
US11645735B2 (en) | 2019-05-20 | 2023-05-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing image, device and computer readable storage medium |
CN110120024A (zh) * | 2019-05-20 | 2019-08-13 | 百度在线网络技术(北京)有限公司 | 图像处理的方法、装置、设备和存储介质 |
CN110120024B (zh) * | 2019-05-20 | 2021-08-17 | 百度在线网络技术(北京)有限公司 | 图像处理的方法、装置、设备和存储介质 |
CN110363068B (zh) * | 2019-05-28 | 2023-08-18 | 中国矿业大学 | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 |
CN110363068A (zh) * | 2019-05-28 | 2019-10-22 | 中国矿业大学 | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 |
CN110363704A (zh) * | 2019-05-29 | 2019-10-22 | 西北大学 | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 |
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110211045B (zh) * | 2019-05-29 | 2022-09-06 | 电子科技大学 | 基于srgan网络的超分辨率人脸图像重建方法 |
CN110211045A (zh) * | 2019-05-29 | 2019-09-06 | 电子科技大学 | 基于srgan网络的超分辨率人脸图像重建方法 |
CN110349085A (zh) * | 2019-06-28 | 2019-10-18 | 西安工程大学 | 一种基于生成对抗网络的单幅图像超分辨特征增强方法 |
CN110378979B (zh) * | 2019-07-04 | 2022-12-23 | 公安部第三研究所 | 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法 |
CN110378979A (zh) * | 2019-07-04 | 2019-10-25 | 公安部第三研究所 | 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法 |
CN110414372A (zh) * | 2019-07-08 | 2019-11-05 | 北京亮亮视野科技有限公司 | 增强的人脸检测方法、装置及电子设备 |
CN110490968A (zh) * | 2019-07-18 | 2019-11-22 | 西安理工大学 | 基于生成对抗网络的光场轴向重聚焦图像超分辨方法 |
CN110490968B (zh) * | 2019-07-18 | 2022-10-04 | 西安理工大学 | 基于生成对抗网络的光场轴向重聚焦图像超分辨方法 |
CN111488779A (zh) * | 2019-07-19 | 2020-08-04 | 同观科技(深圳)有限公司 | 视频图像超分辨率重建方法、装置、服务器及存储介质 |
CN111488779B (zh) * | 2019-07-19 | 2024-02-13 | 长信智控网络科技有限公司 | 视频图像超分辨率重建方法、装置、服务器及存储介质 |
CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
CN110414463A (zh) * | 2019-08-05 | 2019-11-05 | 北京深醒科技有限公司 | 一种基于人脸超分辨率的人脸检测模型 |
CN110490807A (zh) * | 2019-08-27 | 2019-11-22 | 中国人民公安大学 | 图像重建方法、装置及存储介质 |
CN110647820A (zh) * | 2019-08-28 | 2020-01-03 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN110647820B (zh) * | 2019-08-28 | 2023-04-07 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN110766609A (zh) * | 2019-08-29 | 2020-02-07 | 王少熙 | 一种针对ToF相机的景深图超分辨率重建方法 |
CN110766609B (zh) * | 2019-08-29 | 2023-02-10 | 王少熙 | 一种针对ToF相机的景深图超分辨率重建方法 |
CN110533004A (zh) * | 2019-09-07 | 2019-12-03 | 哈尔滨理工大学 | 一种基于深度学习的复杂场景人脸识别系统 |
CN110580680A (zh) * | 2019-09-09 | 2019-12-17 | 武汉工程大学 | 基于组合学习的人脸超分辨率方法及装置 |
CN110580680B (zh) * | 2019-09-09 | 2022-07-05 | 武汉工程大学 | 基于组合学习的人脸超分辨率方法及装置 |
CN110689482B (zh) * | 2019-09-18 | 2022-09-30 | 中国科学技术大学 | 一种基于有监督逐像素生成对抗网络的人脸超分辨率方法 |
CN110706157A (zh) * | 2019-09-18 | 2020-01-17 | 中国科学技术大学 | 一种基于身份先验生成对抗网络的人脸超分辨率重建方法 |
CN110689482A (zh) * | 2019-09-18 | 2020-01-14 | 中国科学技术大学 | 一种基于有监督逐像素生成对抗网络的人脸超分辨率方法 |
CN110706157B (zh) * | 2019-09-18 | 2022-09-30 | 中国科学技术大学 | 一种基于身份先验生成对抗网络的人脸超分辨率重建方法 |
CN110675320A (zh) * | 2019-09-24 | 2020-01-10 | 南京工程学院 | 一种空间参数变化及复杂场景下目标图像清晰化方法 |
CN111080513A (zh) * | 2019-10-24 | 2020-04-28 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的人脸图像超分辨率方法 |
CN111080513B (zh) * | 2019-10-24 | 2023-12-26 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的人脸图像超分辨率方法 |
CN111127316A (zh) * | 2019-10-29 | 2020-05-08 | 山东大学 | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 |
CN110889895B (zh) * | 2019-11-11 | 2023-01-03 | 南昌大学 | 一种融合单帧重建网络的人脸视频超分辨率重建方法 |
CN110889895A (zh) * | 2019-11-11 | 2020-03-17 | 南昌大学 | 一种融合单帧重建网络的人脸视频超分辨率重建方法 |
CN111563841A (zh) * | 2019-11-13 | 2020-08-21 | 南京信息工程大学 | 一种基于生成对抗网络的高分辨率图像生成方法 |
TWI760657B (zh) * | 2019-11-14 | 2022-04-11 | 和碩聯合科技股份有限公司 | 異常偵測模型的訓練方法及使用此方法的電子裝置 |
US11756179B2 (en) | 2019-11-14 | 2023-09-12 | Pegatron Corporation | Training method for anomaly detection model and electronic device using the same |
CN111105352B (zh) * | 2019-12-16 | 2023-04-25 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
CN111105352A (zh) * | 2019-12-16 | 2020-05-05 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
WO2021134872A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于生成对抗网络的马赛克人脸图像超分辨率重建方法 |
CN111260552A (zh) * | 2020-01-09 | 2020-06-09 | 复旦大学 | 一种基于递进学习的图像超分辨率方法 |
CN111260552B (zh) * | 2020-01-09 | 2023-05-30 | 复旦大学 | 一种基于递进学习的图像超分辨率方法 |
CN111383173A (zh) * | 2020-02-12 | 2020-07-07 | 山东师范大学 | 一种基于基线的图像超分辨率重建方法及系统 |
CN111383173B (zh) * | 2020-02-12 | 2023-04-18 | 山东师范大学 | 一种基于基线的图像超分辨率重建方法及系统 |
WO2021185225A1 (zh) * | 2020-03-16 | 2021-09-23 | 徐州工程学院 | 基于自适应调整的图像超分辨率重建方法 |
CN111368790A (zh) * | 2020-03-18 | 2020-07-03 | 北京三快在线科技有限公司 | 细粒度人脸识别模型的构建方法、识别方法以及构建装置 |
CN111507914B (zh) * | 2020-04-10 | 2023-08-08 | 北京百度网讯科技有限公司 | 人脸修复模型的训练方法、修复方法、装置、设备和介质 |
CN111507914A (zh) * | 2020-04-10 | 2020-08-07 | 北京百度网讯科技有限公司 | 人脸修复模型的训练方法、修复方法、装置、设备和介质 |
CN111583113A (zh) * | 2020-04-30 | 2020-08-25 | 电子科技大学 | 一种基于生成对抗网络的红外图像超分辨率重建方法 |
CN111652803A (zh) * | 2020-05-22 | 2020-09-11 | 中国科学技术大学 | 一种横向束流截面超分辨率重建方法 |
CN111652803B (zh) * | 2020-05-22 | 2023-04-25 | 中国科学技术大学 | 一种横向束流截面超分辨率重建方法 |
CN113836974A (zh) * | 2020-06-23 | 2021-12-24 | 江苏翼视智能科技有限公司 | 一种基于超分辨率重构的监控视频行人检测方法 |
CN112070022A (zh) * | 2020-09-09 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
WO2022057837A1 (zh) * | 2020-09-16 | 2022-03-24 | 广州虎牙科技有限公司 | 图像处理和人像超分辨率重建及模型训练方法、装置、电子设备及存储介质 |
CN112102170A (zh) * | 2020-09-18 | 2020-12-18 | 重庆紫光华山智安科技有限公司 | 超分辨率重建网络训练、图像生成方法、系统、终端及介质 |
CN112102170B (zh) * | 2020-09-18 | 2021-05-18 | 重庆紫光华山智安科技有限公司 | 超分辨率重建网络训练、图像生成方法、系统、终端及介质 |
CN112270644A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 基于空间特征变换和跨尺度特征集成的人脸超分辨方法 |
CN112233017B (zh) * | 2020-10-28 | 2023-09-26 | 中国科学院合肥物质科学研究院 | 一种基于生成对抗网络的病态人脸数据增强方法 |
CN112233017A (zh) * | 2020-10-28 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 一种基于生成对抗网络的病态人脸数据增强方法 |
CN112345251A (zh) * | 2020-11-04 | 2021-02-09 | 山东科技大学 | 基于信号分辨率增强的机械智能故障诊断方法 |
CN112345251B (zh) * | 2020-11-04 | 2022-03-04 | 山东科技大学 | 基于信号分辨率增强的机械智能故障诊断方法 |
CN112364826A (zh) * | 2020-12-01 | 2021-02-12 | 金陵科技学院 | 一种基于航拍图像的害虫识别方法 |
CN112364826B (zh) * | 2020-12-01 | 2023-08-01 | 金陵科技学院 | 一种基于航拍图像的害虫识别方法 |
CN112507617B (zh) * | 2020-12-03 | 2021-08-24 | 青岛海纳云科技控股有限公司 | 一种SRFlow超分辨率模型的训练方法及人脸识别方法 |
CN112507617A (zh) * | 2020-12-03 | 2021-03-16 | 青岛海纳云科技控股有限公司 | 一种SRFlow超分辨率模型的训练方法及人脸识别方法 |
CN112818764A (zh) * | 2021-01-15 | 2021-05-18 | 西安交通大学 | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 |
CN112818764B (zh) * | 2021-01-15 | 2023-05-02 | 西安交通大学 | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 |
CN113191495A (zh) * | 2021-03-26 | 2021-07-30 | 网易(杭州)网络有限公司 | 超分模型的训练及人脸识别方法、装置、介质及电子设备 |
CN113379597A (zh) * | 2021-05-19 | 2021-09-10 | 宜宾电子科技大学研究院 | 人脸超分辨率重构方法 |
CN113723174A (zh) * | 2021-07-09 | 2021-11-30 | 北京工业大学 | 基于生成对抗网络的人脸图像超分辨修复重建方法及系统 |
CN113705078B (zh) * | 2021-07-21 | 2024-03-19 | 山东科技大学 | 一种转速波动下信号分辨率增强的轴承故障诊断方法 |
CN113705078A (zh) * | 2021-07-21 | 2021-11-26 | 山东科技大学 | 一种转速波动下信号分辨率增强的轴承故障诊断方法 |
CN113674154A (zh) * | 2021-08-23 | 2021-11-19 | 北京印刷学院 | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 |
CN113674154B (zh) * | 2021-08-23 | 2023-10-27 | 北京印刷学院 | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 |
CN113689337B (zh) * | 2021-08-27 | 2023-09-19 | 华东师范大学 | 一种基于生成对抗网络的超声图像超分辨率重建方法及系统 |
CN113689337A (zh) * | 2021-08-27 | 2021-11-23 | 华东师范大学 | 一种基于生成对抗网络的超声图像超分辨率重建方法及系统 |
WO2023035531A1 (zh) * | 2021-09-10 | 2023-03-16 | 平安科技(深圳)有限公司 | 文本图像超分辨率重建方法及其相关设备 |
CN113887371A (zh) * | 2021-09-26 | 2022-01-04 | 华南理工大学 | 一种用于低分辨率人脸识别的数据增强方法 |
CN114067399A (zh) * | 2021-11-16 | 2022-02-18 | 桂林电子科技大学 | 面向非配合场景的人脸重建与识别方法 |
CN114067399B (zh) * | 2021-11-16 | 2024-03-15 | 桂林电子科技大学 | 面向非配合场景的人脸重建与识别方法 |
CN114241077A (zh) * | 2022-02-23 | 2022-03-25 | 南昌睿度医疗科技有限公司 | 一种ct图像分辨率优化方法及装置 |
CN114913086A (zh) * | 2022-05-05 | 2022-08-16 | 上海云思智慧信息技术有限公司 | 基于生成对抗网络的人脸图像质量增强方法 |
CN114842819A (zh) * | 2022-05-11 | 2022-08-02 | 电子科技大学 | 基于深度强化学习的单音轨midi音乐生成方法 |
CN116485713A (zh) * | 2023-03-01 | 2023-07-25 | 北京邮电大学 | 针对图像的计数方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107154023B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154023B (zh) | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN107358576A (zh) | 基于卷积神经网络的深度图超分辨率重建方法 | |
CN109671023A (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN106981080A (zh) | 基于红外图像和雷达数据的夜间无人车场景深度估计方法 | |
Li et al. | Symmetrical feature propagation network for hyperspectral image super-resolution | |
CN111340696B (zh) | 融合仿生视觉机制的卷积神经网络图像超分辨率重建方法 | |
CN112837224A (zh) | 一种基于卷积神经网络的超分辨率图像重建方法 | |
CN109584162A (zh) | 一种基于生成网络的图像超分辨率重构的方法 | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
Qiu et al. | Multi-window back-projection residual networks for reconstructing COVID-19 CT super-resolution images | |
CN116664397B (zh) | TransSR-Net结构化图像超分辨重建方法 | |
CN115484410B (zh) | 基于深度学习的事件相机视频重建方法 | |
CN111062329A (zh) | 基于增广网络的无监督行人重识别方法 | |
Dai et al. | Data augmentation for thermal infrared object detection with cascade pyramid generative adversarial network | |
Zhan et al. | FA-ResNet: Feature affine residual network for large-scale point cloud segmentation | |
CN115147271A (zh) | 一种用于光场超分辨率的多视图信息注意力交互网络 | |
Niu et al. | A super resolution frontal face generation model based on 3DDFA and CBAM | |
Dai et al. | Swin MAE: masked autoencoders for small datasets | |
CN116092190A (zh) | 一种基于自注意力高分辨网络的人体姿态估计方法 | |
Li et al. | ConvTransNet: A CNN-transformer network for change detection with multi-scale global-local representations | |
Zhao et al. | Interactive feature embedding for infrared and visible image fusion | |
Wang et al. | Paccdu: pyramid attention cross-convolutional dual unet for infrared and visible image fusion | |
Li et al. | Image reflection removal using end‐to‐end convolutional neural network | |
Kushwaha et al. | An overview: super-image resolution using generative adversarial network for image enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |