論文の概要: JDSR-GAN: Constructing A Joint and Collaborative Learning Network for Masked Face Super-Resolution

• arxiv url: http://arxiv.org/abs/2103.13676v1
• Date: Thu, 25 Mar 2021 08:50:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:27:03.175639
• Title: JDSR-GAN: Constructing A Joint and Collaborative Learning Network for Masked Face Super-Resolution
• Title（参考訳）: JDSR-GAN:仮面超解法のための共同協調学習ネットワークの構築
• Authors: Guangwei Gao, Lei Tang, Yi Yu, Fei Wu, Huimin Lu, Jian Yang
• Abstract要約: ほとんどのビデオ監視シナリオで得られた顔画像は、マスクと同時に低解像度です。 これまでのスーパーレゾリューションソリューションのほとんどは、1つのモデルで両方のタスクを処理できない。 我々は,マスク付き顔超解像課題のための共同学習ネットワークJDSR-GANを構築した。
• 参考スコア（独自算出の注目度）: 28.022800882214803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing importance of preventing the COVID-19 virus, face images obtained in most video surveillance scenarios are low resolution with mask simultaneously. However, most of the previous face super-resolution solutions can not handle both tasks in one model. In this work, we treat the mask occlusion as image noise and construct a joint and collaborative learning network, called JDSR-GAN, for the masked face super-resolution task. Given a low-quality face image with the mask as input, the role of the generator composed of a denoising module and super-resolution module is to acquire a high-quality high-resolution face image. The discriminator utilizes some carefully designed loss functions to ensure the quality of the recovered face images. Moreover, we incorporate the identity information and attention mechanism into our network for feasible correlated feature expression and informative feature learning. By jointly performing denoising and face super-resolution, the two tasks can complement each other and attain promising performance. Extensive qualitative and quantitative results show the superiority of our proposed JDSR-GAN over some comparable methods which perform the previous two tasks separately.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)の予防の重要性が高まる中、ほとんどのビデオ監視シナリオで得られた顔画像は、同時にマスクで解像度が低い。 しかし、これまでのスーパーレゾリューションソリューションのほとんどは、1つのモデルで両方のタスクを処理できない。 本研究では,マスク閉塞を画像ノイズとして扱うとともに,マスク付き顔超解像処理のための共同学習ネットワークJDSR-GANを構築する。 マスクを入力とする低品質の顔画像が与えられると、デノイジングモジュールとスーパーレゾリューションモジュールとからなるジェネレータの役割は、高品質の高解像度顔画像を取得することである。 判別器は、回収された顔画像の品質を確保するために注意深く設計された損失機能を利用する。 さらに,このアイデンティティ情報と注意機構をネットワークに組み込んで,特徴表現と情報的特徴学習を可能とした。 認知と超解像を共同で行うことにより、2つのタスクは互いに補完し、有望なパフォーマンスを達成することができる。 JDSR-GANは,従来の2つのタスクを別々に実行する手法よりも優れていることを示す。

関連論文リスト

• W-Net: A Facial Feature-Guided Face Super-Resolution Network [8.037821981254389]
  Face Super-Resolutionは、高解像度 (HR) の顔画像を低解像度 (LR) の顔画像から復元することを目的としている。 既存手法は, 再建効率が低く, 事前情報の利用が不十分であるため, 理想的ではない。 本稿では,この課題に対処するため,W-Netと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-02T09:05:40Z)
• Surveillance Face Anti-spoofing [81.50018853811895]
  Face Anti-Spoofing (FAS) は、様々な物理的攻撃から顔認識システムを保護するために不可欠である。 本稿では,画像品質による性能劣化を軽減するために,コントラスト品質不変学習(CQIL)ネットワークを提案する。 多くの実験がSuHiFiMaskデータセットの品質と提案したCQILの優位性を検証する。
  論文  参考訳（メタデータ） (2023-01-03T07:09:57Z)
• Semantic Encoder Guided Generative Adversarial Face Ultra-Resolution Network [15.102899995465041]
  本稿では,セマンティックガイド付き生成逆顔超解像ネットワーク(SEGA-FURN)を提案する。 提案するネットワークは, 組込みセマンティクスを捕捉し, 対数学習を誘導する新しいセマンティクスエンコーダと, Residual in Internal Block (RIDB) という階層型アーキテクチャを用いた新しいジェネレータから構成される。 大規模顔データを用いた実験により,提案手法は優れた超解像結果が得られ,定性比較と定量的比較の両面で他の最先端手法よりも優れることが示された。
  論文  参考訳（メタデータ） (2022-11-18T23:16:57Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• GMFIM: A Generative Mask-guided Facial Image Manipulation Model for Privacy Preservation [0.7734726150561088]
  入力顔画像に知覚不可能な編集を適用するために,GANをベースとしたマスク誘導顔画像マニピュレーションモデルを提案する。 我々のモデルは、最先端の手法と比較して、自動顔認識システムに対してより良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-01-10T14:09:14Z)
• LR-to-HR Face Hallucination with an Adversarial Progressive Attribute-Induced Network [67.64536397027229]
  顔の超解像は難しい問題であり、非常に不適切な問題である。 顔の特徴を取り入れたエンドツーエンドのプログレッシブ・ラーニング・フレームワークを提案する。 提案手法は,他の最先端アプローチよりも良好な顔幻覚像が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-29T19:50:45Z)
• Network Architecture Search for Face Enhancement [82.25775020564654]
  我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。 NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。 ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
  論文  参考訳（メタデータ） (2021-05-13T19:46:05Z)
• Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
  現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。 それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。 与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-12T03:52:41Z)
• SuperFront: From Low-resolution to High-resolution Frontal Face Synthesis [65.35922024067551]
  本稿では,前頭前頭部を保存した高品質なアイデンティティを生成できるGANモデルを提案する。 具体的には,高分解能(HR)面を1対多のLR面から様々なポーズで合成するSuperFront-GANを提案する。 超高解像度のサイドビューモジュールをSF-GANに統合し、人事空間におけるアイデンティティ情報とサイドビューの詳細を保存します。
  論文  参考訳（メタデータ） (2020-12-07T23:30:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。