基于层级聚类回归模型的非对齐人脸超分辨率重建

发布时间：2022-01-21 17:52

　　人脸超分辨率重建是指从一个低分辨率人脸图像重建出相应的高分辨率图像的过程。现有的人脸超分辨率重建算法通常都假设输入图像是对齐且不含噪声,当输入的人脸图像为非对齐图像时,超分辨率重建算法的性能将降低。本文针对非对齐的单帧人脸图像的超分辨率重建进行研究。主要研究成果及贡献如下:（1）、基于驻点邻域和层级聚类回归的非对齐人脸超分辨率重建。将人脸空间统一到小尺寸的人脸图像,用于训练人脸图像字典。该字典的字典原子为聚类中心,对原始的人脸图像进行聚类,得到各个子空间的人脸图像簇。整个训练过程中只需要训练一个全局字典,各个子空间的人脸图像共享这些字典原子。在每个子空间内,搜索各个驻点的邻域,以生成对应的邻域空间。然后学习低分辨率与高分辨率样本特征之间的映射关系,可以得到每个子空间的回归模型。该算法的核心是所有的人脸图像簇共享一个全局字典,但对于同一个驻点,在不同的人脸图像簇内,邻域样本各不相同,这能够更准确地学习局部映射关系。实验结果表明,该方法相比于同类对比算法在Vggface2和CelebA样本库上重建的峰值信噪比值至少提升0.1165 dB,结构相似度提升高达0.1782。（2）、基于层级聚类... 

【文章来源】：南京邮电大学江苏省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

基于特征转换的人脸超分重建系统图

图 2.1 基于特征转换的人脸超分重建系统图 年，Chang 等人[2]提出基于 NE 的人脸超分重建方法。流形一致性假设像及其对应的高分辨率图像具有相似的局部几何结构和邻域关系。基于算法首先从低分辨率训练样本中寻找多个最近的图像块，在最小化重建佳重建权重。然后，使用相同的权重，通过高分辨率训练样本获得相应5 年，清华大学 ErjinZhou 等人[19]提出了一种基于双通道卷积神经网络（脸超分辨率重建方法。该方法对于有明显变化的人脸图像也能提高图像l CNN 的网络结构图，如图 2.2 所示：

士研究生学位论文 第三章 基于驻点邻域和层级聚类回归的非对齐人数对该算法的影响及时间复杂度的分析的非对齐小尺寸人脸图像经过字典学习得到 256 个字典原子，聚主要参数，设置字典原子经过降维处理所保留的成分，对各个成建和对比实验。将字典原子的主成分分别保留为：97%、98%、像聚类个数为：198、206、218 和 256，分别进行回归模型的训练 30 幅人脸图像，用四种聚类样本所得到的回归模型进行重建。参数为固定值。本章算法在不同聚类个数下对样本的图像进行测 3.8 所示：


本文编号：3600701