甚低分辨率人脸幻构深度模型与算法研究

发布时间：2022-08-16 09:08

　　随着互联网技术的发展,我们进入了一个数据“爆炸”的时代,人脸图像是人们日常生活中最为关注的数据之一,我们对高清人脸图像的需求越来越高,甚低分辨率人脸幻构技术即将极低分辨率的人脸图像重建为高分辨率的人脸图像,以便后续的人脸识别或其他处理。人脸幻构技术可理解为针对人脸图像的超分辨率技术,其研究历史有二十多年,从全局脸方法到局部脸方法,再到利用人脸结构特性的一些综合性方法,对于一般的低分辨率人脸做4倍重建已经有理想的恢复效果,然而当放大尺度增大到8倍时,大多数方法的重建效果严重下降。2012年,Alexnet的成功引发了深度学习研究的热潮,深度学习能够充分挖掘大规模数据集中的特征,基于深度学习的甚低分辨率人脸幻构方法成为可能。本文的主要工作是甚低分辨率人脸幻构深度模型与算法研究,其核心思想和创新点主要分为以下三点:1.以VDSR（Very Deep Convolutional Networks for Image Super-Resolution）超分辨率网络为基础,融入Googlenet的Inception思想,本文构建了基于MP-VDSR（Multi-Path and Very Deep... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题的背景及研究意义
    1.2 低分辨率图像的降质过程
    1.3 图像超分辨率研究发展历程及现状
        1.3.1 基于传统机器学习的图像超分辨率方法
        1.3.2 基于深度学习的图像超分辨率方法
    1.4 人脸幻构发展历程及现状
        1.4.1 基于全局脸的算法
        1.4.2 基于局部脸的算法
        1.4.3 基于深度学习的算法
    1.5 图像重建质量评估标准
    1.6 论文的主要工作及结构安排
第二章 基于MP-VDSR的图像超分辨率方法
    2.1 深度学习背景介绍
        2.1.1 人工神经网络
        2.1.2 卷积神经网络应用
    2.2 VDSR超分辨率网络
        2.2.1 网络结构图
        2.2.2 训练细节
    2.3 基于MP-VDSR的超分辨率网络
        2.3.1 Inception结构及其思想
        2.3.2 MP-VDSR网络结构
    2.4 实验过程及结果比较
        2.4.1 数据集准备
        2.4.2 自然图像超分辨率结果
        2.4.3 甚低分辨率人脸幻构结果
    2.5 本章小结
第三章 基于Encoder-Decoder的甚低分辨率人脸幻构方法
    3.1 Encoder-Decoder模型
        3.1.1 模型背景
        3.1.2 主要应用
    3.2 EDV和EDF网络模型
        3.2.1 Resnet模块
        3.2.2 网络结构及训练细节
    3.3 实验过程及结果比较
    3.4 本章小结
第四章 基于生成对抗网络的甚低分辨率人脸幻构方法
    4.1 生成对抗网络的基本原理
        4.1.1 原始GAN模型
        4.1.2 WGAN和WGAN-GP模型
        4.1.3 梯度惩罚项GP和LP
    4.2 基于正则WGAN模型的甚低分辨率人脸幻构
        4.2.1 模型生成器结构EDV和EDF
        4.2.2 梯度惩罚项GP和LP
    4.3 实验过程及结果分析
        4.3.1 实验过程
        4.3.2 结果分析
    4.4 真实低分辨率人脸测试
        4.4.1 简单降质模型下的重建结果分析
        4.4.2 复杂降质模型下的重建结果分析
    4.5 本章小结
第五章 工作总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
致谢



本文编号：3677594