基于深度学习的人脸图像超分辨率重建方法研究

发布时间：2021-02-12 11:12

　　人脸图像是人员身份比对的重要信息,受采集设备的良莠不齐与复杂天气因素的影响,采集的人脸图像存在图像细节模糊、分辨率较低等问题,难以满足实际需求。目前,通过基于插值、重建和学习的图像超分辨率重建方法可以有效地将低分辨率人脸图像恢复至高分辨率的清晰图像,因此人脸图像超分辨率重建技术受到众多研究者的广泛关注。本文研究了基于深度学习的人脸图像超分辨率重建方法,主要包括单帧图像的超分辨率重建、基于生成对抗网络的人脸图像超分辨率重建和基于分段处理的人脸图像超分辨率重建,以及人脸图像超分辨率重建软件的编程实现。本文主要工作如下:在单帧图像超分辨率重建方面,探讨了图像的降质与重建模型,研究了多种图像质量评估方法,实现了基于插值与基于深度学习的图像超分辨率重建方法。在Set5和Set14数据集上对多种图像重建方法进行测试,实验结果表明,基于深度学习的方法有效降低了图像的失真,可以生成更加清晰的高分辨率图像。在基于生成对抗网络的人脸图像超分辨率重建方面,提出了一种结合超分辨率生成对抗网络（SRGAN）和自注意力机制的人脸图像超分辨率重建方法。通过在SRGAN的生成器和判别器分别添加自注意力模块,利用自注意... 

【文章来源】：中国人民公安大学北京市

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

组织结构示意图

其中RMSE值越低,代表图像的失真越低,图像质量越好,PI值越低,代表图像的感知质量越高。如图2.1所示,左侧为原始图像,中间图像由以降低图像失真为优化目标的模型重建得来,右侧图像由以提高观察者感知为优化目标的模型重建得来,它以其更细腻的细节纹理获得更高的感知结果,也更符合观察者感知高清图像的标准。为方便表示,后文用"RMSE&PI"指代PIRM2018超分辨率感知挑战中提出的评估方法。Blau[47]通过数学推理证明了图像失真与图像感知质量存在一定关系,即图像平均失真的降低伴随着图像感知质量的降低,因此,不能单独采用FR-IQA评估指标评估符合观察者感知的高分辨率图像。

Blau[47]通过数学推理证明了图像失真与图像感知质量存在一定关系,即图像平均失真的降低伴随着图像感知质量的降低,因此,不能单独采用FR-IQA评估指标评估符合观察者感知的高分辨率图像。感知失真平面如图2.2所示,曲线上半部为重建图像质量可以达到的区域,曲线下半部为理论上重建图像质量无法到达的区域,为应用公式（2.15）和公式（2.16）的评估方法,考虑到评价重建图像的感知质量侧重于感知得分,将图像失真在RMSE数值上分为三个区域,阈值1、2、3对应的RMSE值为11.5、12.5、16[44],对图像平均失真在各区域内图像的PI进行比较,得分较低的代表图像在一定失真范围内获取了更高的感知质量与视觉效果,当RMSE和PI均得到较低的得分时,认为该图像质量更佳。

【参考文献】：
期刊论文
[1]基于多分辨率塔式结构的幻觉脸技术的研究[J]. 郑丽贤,吴炜,杨晓敏,陈默,何小海.  光电子.激光. 2008(09)
[2]一种基于凸集投影（POCS）的数字图像超分辨率重建算法[J]. 庞亚红,毛幼菊.  计算机工程与应用. 2005(04)
[3]基于Markov约束的泊松最大后验概率超分辨率图象复原法[J]. 苏秉华,金伟其,牛丽红,刘广荣,刘明奇.  光子学报. 2002(04)



本文编号：3030770