基于生成对抗网络的人脸图像超分辨率重建技术研究
发布时间：2022-02-21 12:47
人脸超分辨重建技术（Face Super-Resolution,Face SR）是指利用低分辨人脸图像和人脸固有的属性重建高分辨人脸图像的技术。作为人脸图像处理技术和图像超分辨重建（Super-Resolution,SR）技术的重要组成部分,Face SR—直是图像视觉领域的研究热点。在实际场景中,由于光照、面部表情、拍摄环境等因素的影响,人脸图像高频信息损失严重,人脸细部特征重建一直是Face SR研究中的难点问题。近年来,基于学习的Face SR方法可以有效地利用先验信息,在提高人脸图像的重建质量方面取得了重要进展,引起了学者的广泛关注;新的生成对抗式网络（Generative Adversarial Network,GAN）的出现,也给 Face SR 提供了有效的技术手段,使得相关Face SR方法能够在信息严重缺失的条件下重建自然、高质量的人脸图像。在此背景下,本文在GAN网络基础上,研究了基于深度学习方法的Face SR技术,具体工作如下:（1）针对人脸先验信息的有效表达问题,提出了一种基于深度网络的人脸组件语义先验的表达方法。该方法利用语义分割概率图（Semantic S...
【文章来源】：北京交通大学北京市211工程院校教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文主要研究内容
1.4 论文组织结构
2 人脸超分辨率重建理论及相关技术方法研究
2.1 人脸超分辨率重建技术基础理论模型
2.2 人脸图像超分辨重建技术概述
2.2.1 基于插值的方法
2.2.2 基于重建的方法
2.2.3 基于学习的方法
2.3 基于深度学习的人脸超分辨率重建技术
2.3.1 基于卷积神经网络的人脸图像重建技术
2.3.2 基于生成对抗网络的人脸图像重建技术
2.4 重建图像质量的评价指标
2.5 本章小结
3 人脸超分辨率重建中先验信息的有效表达方法研究
3.1 人脸超分辨率重建中的人脸先验
3.1.1 人脸图像的空间梯度分布先验
3.1.2 人脸图像的几何结构先验
3.2 一种基于组件语义先验的人脸超分辨重建方法
3.2.1 基于组件语义先验的人脸信息表达模型
3.2.2 组件语义先验引导的人脸超分辨率重建网络设计
3.3 网络训练和结果分析
3.3.1 数据预处理和实验参数设置
3.3.2 实验结果分析
3.4 本章小结
4 基于生成的对抗网络的人脸超分辨率重建算法
4.1 算法主要思想和总体设计框架
4.1.1 生成对抗网络
4.1.2 算法流程
4.2 算法设计
4.2.1 G网络
4.2.2 D网络
4.2.2 优化函数
4.3 网络预处理和实验参数设置
4.4 实验结果分析
4.5 本章小结
5 工作总结与展望
5.1 工作总结
5.2 工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]一种基于匹配学习的人脸图像超分辨率算法[J]. 窦翔,陶青川. 太赫兹科学与电子信息学报. 2015(02)
[2]基于双边结构张量的局部自适应图像超分辨率重建[J]. 岳林蔚,沈焕锋,袁强强,张良培,兰霞. 武汉大学学报(信息科学版). 2015(04)
[3]基于学习的人脸图像超分辨率重构算法[J]. 李涛,王晓华,张超,杜部致,李宇春. 北京理工大学学报. 2012(04)
[4]基于MAP框架的时空联合自适应视频序列超分辨率重建[J]. 张冬明,潘炜,陈怀新. 自动化学报. 2009(05)
[5]超分辨率技术的实现——一种改善的小波插值方法[J]. 田岩,田金文,柳健,张继贤,林宗坚. 中国图象图形学报. 2003(12)
博士论文
[1]基于稀疏表示模型的人脸超分辨率研究[D]. 黄克斌.武汉大学 2017
[2]图像超分辨率重建研究[D]. 康凯.中国科学技术大学 2016
硕士论文
[1]基于学习的幻构人脸技术研究[D]. 黎兆文.广州大学 2018
[2]基于生成对抗网络的人脸超分辨率重建及识别[D]. 贾洁.电子科技大学 2018
[3]基于深度协作表达的人脸图像超分辨率算法研究与应用[D]. 潘兰兰.武汉工程大学 2017
[4]基于深度学习的图像超分辨率重建算法研究[D]. 黄冬冬.安徽工业大学 2017
[5]基于学习的人脸图像超分辨率重建方法研究[D]. 张坤.重庆大学 2016
本文编号：3637282
【文章来源】：北京交通大学北京市211工程院校教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文主要研究内容
1.4 论文组织结构
2 人脸超分辨率重建理论及相关技术方法研究
2.1 人脸超分辨率重建技术基础理论模型
2.2 人脸图像超分辨重建技术概述
2.2.1 基于插值的方法
2.2.2 基于重建的方法
2.2.3 基于学习的方法
2.3 基于深度学习的人脸超分辨率重建技术
2.3.1 基于卷积神经网络的人脸图像重建技术
2.3.2 基于生成对抗网络的人脸图像重建技术
2.4 重建图像质量的评价指标
2.5 本章小结
3 人脸超分辨率重建中先验信息的有效表达方法研究
3.1 人脸超分辨率重建中的人脸先验
3.1.1 人脸图像的空间梯度分布先验
3.1.2 人脸图像的几何结构先验
3.2 一种基于组件语义先验的人脸超分辨重建方法
3.2.1 基于组件语义先验的人脸信息表达模型
3.2.2 组件语义先验引导的人脸超分辨率重建网络设计
3.3 网络训练和结果分析
3.3.1 数据预处理和实验参数设置
3.3.2 实验结果分析
3.4 本章小结
4 基于生成的对抗网络的人脸超分辨率重建算法
4.1 算法主要思想和总体设计框架
4.1.1 生成对抗网络
4.1.2 算法流程
4.2 算法设计
4.2.1 G网络
4.2.2 D网络
4.2.2 优化函数
4.3 网络预处理和实验参数设置
4.4 实验结果分析
4.5 本章小结
5 工作总结与展望
5.1 工作总结
5.2 工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]一种基于匹配学习的人脸图像超分辨率算法[J]. 窦翔,陶青川. 太赫兹科学与电子信息学报. 2015(02)
[2]基于双边结构张量的局部自适应图像超分辨率重建[J]. 岳林蔚,沈焕锋,袁强强,张良培,兰霞. 武汉大学学报(信息科学版). 2015(04)
[3]基于学习的人脸图像超分辨率重构算法[J]. 李涛,王晓华,张超,杜部致,李宇春. 北京理工大学学报. 2012(04)
[4]基于MAP框架的时空联合自适应视频序列超分辨率重建[J]. 张冬明,潘炜,陈怀新. 自动化学报. 2009(05)
[5]超分辨率技术的实现——一种改善的小波插值方法[J]. 田岩,田金文,柳健,张继贤,林宗坚. 中国图象图形学报. 2003(12)
博士论文
[1]基于稀疏表示模型的人脸超分辨率研究[D]. 黄克斌.武汉大学 2017
[2]图像超分辨率重建研究[D]. 康凯.中国科学技术大学 2016
硕士论文
[1]基于学习的幻构人脸技术研究[D]. 黎兆文.广州大学 2018
[2]基于生成对抗网络的人脸超分辨率重建及识别[D]. 贾洁.电子科技大学 2018
[3]基于深度协作表达的人脸图像超分辨率算法研究与应用[D]. 潘兰兰.武汉工程大学 2017
[4]基于深度学习的图像超分辨率重建算法研究[D]. 黄冬冬.安徽工业大学 2017
[5]基于学习的人脸图像超分辨率重建方法研究[D]. 张坤.重庆大学 2016
本文编号：3637282
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3637282.html
