CN112233033B - 解析先验融合的渐进高倍人脸超分辨率系统及其方法 - Google Patents
解析先验融合的渐进高倍人脸超分辨率系统及其方法 Download PDFInfo
- Publication number
- CN112233033B CN112233033B CN202011115131.6A CN202011115131A CN112233033B CN 112233033 B CN112233033 B CN 112233033B CN 202011115131 A CN202011115131 A CN 202011115131A CN 112233033 B CN112233033 B CN 112233033B
- Authority
- CN
- China
- Prior art keywords
- feature
- unit
- enhancement
- resolution
- progressive
- 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
Links
- 230000000750 progressive effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 239000002356 single layer Substances 0.000 claims description 14
- 239000010410 layer Substances 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 4
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种解析先验融合的渐进高倍人脸超分辨率系统及其方法,涉及图像复原技术领域。本系统包括浅层特征提取模块(10)、逐级特征增强与上采样模块(20)、高分辨率人脸生成模块(30);低分辨率人脸图像(A)、浅层特征提取模块(10)、逐级特征增强与上采样模块(20)、高分辨率人脸生成模块(30)和高分辨率人脸图像(B)依次交互。本方法是:①浅层特征提取;②逐级特征增强与上采样;③高分辨人脸生成。与现有技术相比,本发明能在得到高质量高倍人脸超分辨率重构图像的同时,极好地减低系统的实现复杂度,降低系统训练难度,减少计算时间;适用于视频监控等应用。
Description
技术领域
本发明涉及图像复原技术领域,尤其涉及一种解析先验融合的渐进高倍人脸超分辨率系统及其方法;即一种基于深度卷积神经网络,利用解析先验融合的渐进高倍人脸图像超分辨率系统及其方法。
背景技术
人脸图像超分辨率也称为人脸幻象,旨在利用数值计算方法对低分辨率人脸图像进行高分辨率重建,其对有效解决低分辨率人脸图像分析与人脸识别问题具有重要意义。近年来,随着深度学习理论在图像分类识别领域的成功应用,基于深度网络的人脸图像超分辨率方法研究也得到广泛关注。【参见文献:[1] S.Zhu,S.Liu,C.C.Loy and X.Tang,"Deep cascaded bi-network for face hallucination",Proc.Eur.Conf.Comput.Vis.(ECCV),pp.614- 630,2016;[2]X.Xu,D.Sun,J.Pan,Y.Zhang,H.Pfister and M.-H.Yang,"Learning to super-resolve blurry face and text images",Proc. IEEEInt.Conf.Comput.Vis.(ICCV),pp.251-260,Oct.2017;[3]N. Ahn,B.Kang and K.-A.Sohn,"Fast accurate and lightweight super- resolution with cascadingresidual network",Proc.Eur.Conf.Comput. Vis.(ECCV),pp.252-268,Sep.2018】。
人脸超分辨率不完全同于一般自然图像的超分辨率。如何充分利用人脸图像独有的先验信息,对于提升人脸图像的超分辨率性能会产生重大的影响。虽然获取清晰人脸图像的先验信息可能是比较容易的,但是在图像分辨率低,图像较模糊时要得到人脸的重要先验信息,以用于改善超分辨率性能将会十分受限,特别对于高倍放大时显得更是具有很大的挑战性。【参见文献:[4]Y. Chen,Y.Tai,X.Liu,C.Shen,and J.Yang,“Fsrnet:End-to-end learning face super-resolution with facial priors,”in Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition, 2018,pp.2492–2501;[5]K.Grm,W.J.Scheirer and V."Face Hallucination Using CascadedSuper-Resolution and Identity Priors," in IEEE Transactions on ImageProcessing,vol.29,pp.2150-2165, 2020】。
发明内容
本发明的目的就在于克服上述背景技术的缺点和不足,提供一种人脸解析先验融合的渐进高倍人脸图像超分辨率系统及其方法,通过渐进提取人脸的解析先验信息并嵌入人脸深度特征表示过程,有效改善了低分辨率人脸图像的高倍放大图像质量。
本发明的目的是这样实现的:
其技术思路是:
首先采用单层卷积神经网络对输入的低分辨率人脸图像进行变换,得到其初始的浅层特征表示;然后,利用级联的解析先验嵌入的特征增强与上采样网络得到维度逐级放大的深层特征表示;最后利用单层卷积网络对深度特征表示进行变换,得到图像的高分辨率重构结果。本发明通过采用逐级特征增强与上采样技术有效改进高倍放大网络的特征提取能力,并通过引入先验特征损失监督网络训练,保障了低分辨率人脸图像的高倍超分辨率重构质量。
其具体方案是:
一、解析先验融合的渐进高倍人脸超分辨率系统(简称系统)
包括浅层特征提取模块、逐级特征增强与上采样模块、高分辨率人脸生成模块;
低分辨率人脸图像、浅层特征提取模块、逐级特征增强与上采样模块、高分辨率人脸生成模块和高分辨率人脸图像依次交互;
浅层特征提取模块对输入的低分辨率人脸图像A进行卷积运算,产生初始特征表示F0;
逐级特征增强与上采样模块20包括依次交互的第1、2……N特征增强与上采样单元21、22……2N,得到低分辨率人脸图像A的维度逐渐放大的特征表示 F1、F2……FN;
高分辨率人脸生成模块接收逐级特征增强与上采样模块输出的人脸深度特征表示FN,采用单层卷积运算,生成高分辨率人脸图像的输出。
二、解析先验融合的渐进高倍人脸超分辨率方法(简称方法)
本方法包括下列步骤:
①浅层特征提取
浅层特征提取模块接收输入的低分辨率人脸图像,采用单层的卷积神经网络,提取低分辨率人脸图像的初始特征F0;
②逐级特征增强与上采样
A、第1特征增强与上采样
通过两路不同的卷积网络包括深度特征提取单元和解析特征提取单元,并行接收初始特征F0,提取低分辨率人脸图像的深度特征F11和解析特征F12,然后通过特征融合单元卷积网络得到深度残差特征H1,加法运算单元204接收F0和H1,进行相加运算,得到增强的深度特征表示D1,最后经过特征上采样单元卷积网络得到维度放大2倍的特征表示F1;
B、第2特征增强与上采样
采用结构与第1特征增强与上采样单元相同的多个卷积网络,接收特征表示F1,生成新的维度放大4倍的特征表示F2;
C、第3特征增强与上采样
采用结构与第1特征增强与上采样单元相同的多个卷积网络,接收特征F2,生成新的维度放大8倍的特征表示F3;
D、照此执行,最后的第N特征增强与上采样单元接收特征表示FN,生成新的维度放大2N倍的特征表示FN;
③高分辨率人脸生成
高分辨率人脸生成模块接收逐级特征增强与上采样模块输出的人脸深度特征表示FN,采用单层卷积运算,生成高分辨率的人脸图像。
工作机理:
本发明的实现总体分为两个阶段:
第一阶段,采用浅层特征提取模块、逐级特征增强与上采样模块,由已知的低分辨率人脸图像估计高分辨率图像的深度特征表示;
第二阶段,利用高分辨率人脸生成模块,通过单层的卷积运算,得到高分辨率人脸图像的重构结果。
与现有技术相比,本发明具有下列优点和积极效果:
本发明能在得到高质量高倍人脸超分辨率重构图像的同时,极好地减低系统的实现复杂度,降低系统训练难度,减少计算时间;适用于视频监控等应用。
附图说明
图1是本系统的结构方框图;
图1中:
10—浅层特征提取模块(SFE);
20—逐级特征增强与上采样模块(FEU),
21—第1特征增强与上采样单元(FEU1单元),
22—第2特征增强与上采样单元(FEU2单元),
……
2N—第N特征增强与上采样单元(FEUN单元),
N在本发明中设定为3,用于8倍超分辨率;
30—高分辨率人脸生成模块(HRFG);
A—低分辨率人脸图像;
B—高分辨率人脸图像。
图2是本系统的特征增强与上采样单元的内部结构框图;
图2中:
201—深度特征提取单元(DFE);
202—解析特征提取单元(PFE);
203—特征融合单元(FF);
204—加法运算单元(AO);
205—特征上采样单元(FU)。
图3是本方法与同类方法的人脸超分辨率性能比较表。
具体实施方式
下面结合附图和实施例详细说明:
一、系统
1、总体
如图1,本系统包括浅层特征提取模块10、逐级特征增强与上采样模块20、高分辨率人脸生成模块30;
低分辨率人脸图像A、浅层特征提取模块10、逐级特征增强与上采样模块 20、高分辨率人脸生成模块30和高分辨率人脸图像B依次交互。
详细地说:浅层特征提取模块10有一个输入端、一个输出端,逐级特征增强与上采样模块20有一个输入端和一个输出端,高分辨率人脸生成模块30有一个输入端和一个输出端;浅层特征提取模块10的输入端为系统的输入端——低分辨率人脸图像A;逐级特征增强与上采样模块20的第1特征增强与上采样单元21、第2特征增强与上采样单元22……第N特征增强与上采样单元2N依次交互。
2、功能模块
1)浅层特征提取模块10
如图1,浅层特征提取模块10对输入的低分辨率人脸图像A进行卷积运算,产生初始特征表示F0。
其工作流程是:从左到右、从上到下依次扫描输入数据块的每一元素直到结束,按顺序每次接收输入数据块的一个元素及其规定领域范围的元素,与卷积层单元包含的多组尺寸相同的卷积核分别进行卷积和运算,输出结果按同样次序进行排列。
浅层特征提取模块10和其它模块之间的关系:
浅层特征提取模块10接收输入的低分辨率人脸图像A,通过卷积运算,得到低分辨率人脸的初始特征表示F0,送入逐级特征增强与上采样模块20。
2)逐级特征增强与上采样模块20
如图1,逐级特征增强与上采样模块20包括依次交互的第1、2……N特征增强与上采样单元21、22……2N,N设定为3,用于8倍因子的超分辨率,得到低分辨率人脸图像A的维度逐渐放大的特征表示F1、F2……FN。
逐级特征增强与上采样模块20包含的N级特征增强与上采样单元,分别接收前一级单元的输出,通过两通路的特征提取、特征融合与特征上采样,产生新的维度放大2倍的深度特征表示;
如图2,特征增强与上采样单元包括并行的深度特征提取 单元(DFE) 201、解析特征提取单元 (PFE) 202、特征融合单元203、加法运算单元204和特征上采样单元205;深度特征提取单元 (DFE) 201和解析特征提取单元 (PFE) 202接收相同的输入,特征融合单元203的两个输入端分别与深度特征提取单元 (DFE) 201和解析特征提取单元 (PFE) 202的输出端交互,特征融合单元203的输出端与加法运算单元204的一个输入端交互,加法运算单元204的另一输入端与前一个特征增强与上采样单元输入端交互;
特征增强与上采样单元的工作流程是:
A、特征增强与上采样级联模块20内的第1特征增强与上采样单元 (FEU1),首先通过并行的深度特征提取单元(DFE)201和解析特征提取单元 (PFE)202,接收初始特征F0,分别生成低分辨率人脸图像的深度特征F11和解析特征F12,然后通过特征融合单元(FF)203得到深度残差特征H1,加法运算单元(AO)204接收F0和H1进行相加运算,得到增强的深度特征表示D1,最后经过特征上采样单元(FU)205得到维度放大2倍的特征表示F1;
B、第2特征增强与上采样单元(FEU2)22,采用结构与第1特征增强与上采样单元(FEU1)21相同的单元,接收特征表示F1,生成新的维度放大4倍的特征表示F2;
C、接下来,第3特征增强与上采样单元(FEU3)23,采用结构与第1特征增强与上采样单元(FEU1)相同的单元,接收特征F2,生成新的维度放大8倍的特征表示F3;
D、照此执行,最后的第N特征增强与上采样单元(FEUN)2N接收特征表示 FN,生成新的维度放大2N倍的特征表示FN。
3)高分辨率人脸生成模块30
高分辨率人脸生成模块(HRFG)30接收逐级特征增强与上采样模块20输出的人脸深度特征表示FN,采用单层卷积运算,生成高分辨率人脸图像B的输出。
二、方法
1、步骤①
浅层特征提取模块10对接收的低分辨率人脸图像A进行单层的卷积运算,得到初始特征表示F0,数学公式表示为:
F0=W0*y+b0,
其中:
W0表示尺度为k×k×c×M的卷积滤波器,
*表示卷积运算,
y表示输入的低分辨率人脸图像,
b0为相应的偏置。
2、步骤②
逐级特征增强与上采样模块20对接收的低分辨率人脸图像A的浅层特征表示,采用级联的多层卷积神经网络,进行特征增强与上采样变换,得到低分辨率人脸图像A的维度逐渐放大的特征表示F1、F2……FN;第i级逐级特征增强与上采样模块功能的数学公式表示为:
Fi=fFEU(Fi-1,Wd,Wp,Wf,Wu),i=1,2,…,N
其中:Fi为输出,Fi-1为输入,fFEU()代表多层卷积运算;
Wd和Wp分别为所用的深度特征提取单元(DFE)201和解析特征提取单元 (PFE)202的网络参数,Wf和Wu分别为特征融合单元(FF)203和特征上采样单元(FU)204的网络参数;若令深度特征提取单元(DFE)201的输出为 Fi1=Wd*Fi-1,解析特征提取单元(PFE)202的输出为Fi1=Wp*Fi-1,则有特征融合单元(FF)203的输出为Hi=WF*[Fi1,Fi2]T,加法运算单元(AO)204的输出为Fdi= Fi-1+Hi,特征上采样单元(FU)205的输出为:
Fi=Wu*Fdi
其中的*表示卷积运算符。
3、步骤③
高分辨率人脸生成模块30接收逐级特征增强与上采样模块20送入的低分辨率人脸图像A的高倍上采样的深度特征表示FN,通过单层卷积运算,得到高分辨率人脸图像B的估计x,数学表示为:
x=frec(FN,WG)=WG*FN
其中的WG为单层卷积网络的参数。
三、实验评估
为了证明本发明实施例的有效性,申请人在pytorch深度学习框架下进行了实验评估。实验平台配置1张Nvidia GeForce GTX 1080Ti显卡。逐级特征增强与上采样模块的级联层数选取为N=3用于人脸图像的8倍放大,每个特征增强与上采样单元设计上通道的深度特征提取网络为残差密集卷积网络,下通道的解析先验提取网络为沙漏卷积网络、特征融合网络为单层卷积网络。测试系统性能用平均PSNR和SSIM指标度量;训练方法选用Adam法,相关参数设置为β1=0.9,β2=0.999和ε=10-8;学习率为0.0001,Batch size大小为4;网络训练定义的损失函数为所有不同分辨率图像的绝对误差与解析损失的加权和。
图3给出了本发明方法与同类方法的图像重构性能比较结果。
由此可见:本发明在改善重构图像质量方面具有良好表现。
本领域的技术人员可以对本发明实施例进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (2)
1.解析先验融合的渐进高倍人脸超分辨率系统,其特征在于:
包括浅层特征提取模块(10)、逐级特征增强与上采样模块(20)、高分辨率人脸生成模块(30);
低分辨率人脸图像(A)、浅层特征提取模块(10)、逐级特征增强与上采样模块(20)、高分辨率人脸生成模块(30)和高分辨率人脸图像(B)依次交互;
浅层特征提取模块(10)对输入的低分辨率人脸图像(A)进行卷积运算,产生初始特征表示F0;
逐级特征增强与上采样模块(20)包括依次交互的第1、2……N特征增强与上采样单元21、22……2N,得到低分辨率人脸图像(A)的维度逐渐放大的特征表示F1、F2……FN;
高分辨率人脸生成模块(30)接收逐级特征增强与上采样模块(20)输出的人脸深度特征表示FN,采用单层卷积运算,生成高分辨率人脸图像(B)的输出;
所述的逐级特征增强与上采样模块(20)的工作流程是:
A、逐级特征增强与上采样模块(20)内的第1特征增强与上采样单元(21),首先通过并行的深度特征提取单元(201)和解析特征提取单元(202),接收初始特征F0,分别提取低分辨率人脸图像的深度特征F11和解析特征F12,然后通过特征融合单元(203)得到深度残差特征H1,加法运算单元(204)接收F0和H1,进行相加运算,得到增强的深度特征表示D1,最后经过特征上采样单元(205)得到维度放大2倍的特征表示F1;
B、第2特征增强与上采样单元(22),采用结构与第1特征增强与上采样单元(21)相同的单元,接收特征表示F1,生成新的维度放大4倍的特征表示F2;
C、接下来,第3特征增强与上采样单元(23),采用结构与第1特征增强与上采样单元相同的单元,接收特征F2,生成新的维度放大8倍的特征表示F3;
D、照此执行,最后的第N特征增强与上采样单元2N接收特征表示FN,生成新的维度放大2N倍的特征表示FN。
2.基于权利要求1所述渐进高倍人脸超分辨率系统的方法,其特征在于:
①浅层特征提取
浅层特征提取模块接收输入的低分辨率人脸图像,采用单层的卷积神经网络,提取低分辨率人脸图像的初始特征F0;
②逐级特征增强与上采样
a、第1特征增强与上采样
通过两路不同的卷积网络包括深度特征提取单元(201)和解析特征提取单元(202),并行接收初始特征F0,提取低分辨率人脸图像(A)的深度特征F11和解析特征F12,然后通过特征融合单元(203)卷积网络得到深度残差特征H1,加法运算单元(204)接收F0和H1,进行相加运算,得到增强的深度特征表示D1,最后经过特征上采样单元(205)卷积网络得到维度放大2倍的特征表示F1;
b、第2特征增强与上采样
采用结构与第1特征增强与上采样单元(21)相同的多个卷积网络,接收特征表示F1,生成新的维度放大4倍的特征表示F2;
c、第3特征增强与上采样
采用结构与第1特征增强与上采样单元(21)相同的多个卷积网络,接收特征F2,生成新的维度放大8倍的特征表示F3;
d、照此执行,最后的第N特征增强与上采样单元接收特征表示FN,生成新的维度放大2N倍的特征表示FN;
③高分辨人脸生成
高分辨人脸生成模块(30)接收逐级特征增强与上采样模块输出的人脸深度特征表示FN,采用单层卷积运算,生成高分辨率的人脸图像(B)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115131.6A CN112233033B (zh) | 2020-10-19 | 2020-10-19 | 解析先验融合的渐进高倍人脸超分辨率系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115131.6A CN112233033B (zh) | 2020-10-19 | 2020-10-19 | 解析先验融合的渐进高倍人脸超分辨率系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233033A CN112233033A (zh) | 2021-01-15 |
CN112233033B true CN112233033B (zh) | 2022-11-01 |
Family
ID=74119056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011115131.6A Active CN112233033B (zh) | 2020-10-19 | 2020-10-19 | 解析先验融合的渐进高倍人脸超分辨率系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233033B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929977B2 (en) * | 2016-08-25 | 2021-02-23 | Intel Corporation | Coupled multi-task fully convolutional networks using multi-scale contextual information and hierarchical hyper-features for semantic image segmentation |
CN109978785B (zh) * | 2019-03-22 | 2020-11-13 | 中南民族大学 | 多级递归特征融合的图像超分辨率重构系统及其方法 |
CN111179167B (zh) * | 2019-12-12 | 2023-05-16 | 天津大学 | 一种基于多阶段注意力增强网络的图像超分辨方法 |
AU2020100200A4 (en) * | 2020-02-08 | 2020-06-11 | Huang, Shuying DR | Content-guide Residual Network for Image Super-Resolution |
CN111652804B (zh) * | 2020-05-28 | 2023-04-07 | 西安电子科技大学 | 基于膨胀卷积金字塔与瓶颈网络的超分辨率重建方法 |
CN111768342B (zh) * | 2020-09-03 | 2020-12-01 | 之江实验室 | 基于注意力机制和多级反馈监督的人脸超分辨方法 |
-
2020
- 2020-10-19 CN CN202011115131.6A patent/CN112233033B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112233033A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anwar et al. | Densely residual laplacian super-resolution | |
CN109978785B (zh) | 多级递归特征融合的图像超分辨率重构系统及其方法 | |
Tian et al. | Lightweight image super-resolution with enhanced CNN | |
CN112070702B (zh) | 多尺度残差特征判别增强的图像超分辨率重构系统及方法 | |
CN112801877B (zh) | 一种视频帧的超分辨率重构方法 | |
CN109949221B (zh) | 一种图像处理方法及电子设备 | |
Fan et al. | Compressed multi-scale feature fusion network for single image super-resolution | |
Zhang et al. | Accurate and efficient image super-resolution via global-local adjusting dense network | |
Chen et al. | Vesr-net: The winning solution to youku video enhancement and super-resolution challenge | |
CN110866490A (zh) | 一种基于多任务学习的人脸检测方法及装置 | |
Gunasekaran | Ultra sharp: Study of single image super resolution using residual dense network | |
Muqeet et al. | Ultra lightweight image super-resolution with multi-attention layers | |
Fan et al. | An empirical investigation of efficient spatio-temporal modeling in video restoration | |
Liu et al. | A deep recursive multi-scale feature fusion network for image super-resolution | |
Yang et al. | MRDN: A lightweight Multi-stage residual distillation network for image Super-Resolution | |
Xiang et al. | Boosting high-level vision with joint compression artifacts reduction and super-resolution | |
Li et al. | Multi-scale feature selection network for lightweight image super-resolution | |
CN112233033B (zh) | 解析先验融合的渐进高倍人脸超分辨率系统及其方法 | |
Wu et al. | Lightweight asymmetric convolutional distillation network for single image super-resolution | |
CN112270645B (zh) | 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 | |
CN116029905A (zh) | 一种基于渐进差值互补的人脸超分辨率重构方法及系统 | |
Guo et al. | Speedy and accurate image super‐resolution via deeply recursive CNN with skip connection and network in network | |
CN112381746B (zh) | 学习采样与分组的图像压缩感知重构系统及其方法 | |
Ji et al. | A content-based multi-scale network for single image super-resolution | |
Qiu et al. | Nested Dense Attention Network for Single Image Super-Resolution |
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 |