論文の概要: Face Deblurring Based on Separable Normalization and Adaptive
Denormalization
- arxiv url: http://arxiv.org/abs/2112.09833v1
- Date: Sat, 18 Dec 2021 03:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 04:27:45.278117
- Title: Face Deblurring Based on Separable Normalization and Adaptive
Denormalization
- Title(参考訳): 分離正規化と適応的非正規化に基づく顔脱毛
- Authors: Xian Zhang, Hao Zhang, Jiancheng Lv, Xiaojie Li
- Abstract要約: Face Deblurringは、より明示的な構造と顔の詳細で、ぼやけた入力画像から透明な顔イメージを復元することを目的としている。
我々は、分離可能な正規化と適応的な非正規化に基づく効果的な顔分解ネットワークを設計する。
CelebAとCelebA-HQの両方のデータセットの実験結果から、提案した顔劣化ネットワークは、より詳細な顔構造を復元することが示された。
- 参考スコア(独自算出の注目度): 25.506065804812522
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Face deblurring aims to restore a clear face image from a blurred input image
with more explicit structure and facial details. However, most conventional
image and face deblurring methods focus on the whole generated image resolution
without consideration of special face part texture and generally produce
unsufficient details. Considering that faces and backgrounds have different
distribution information, in this study, we designed an effective face
deblurring network based on separable normalization and adaptive
denormalization (SNADNet). First, We fine-tuned the face parsing network to
obtain an accurate face structure. Then, we divided the face parsing feature
into face foreground and background. Moreover, we constructed a new feature
adaptive denormalization to regularize fafcial structures as a condition of the
auxiliary to generate more harmonious and undistorted face structure. In
addition, we proposed a texture extractor and multi-patch discriminator to
enhance the generated facial texture information. Experimental results on both
CelebA and CelebA-HQ datasets demonstrate that the proposed face deblurring
network restores face structure with more facial details and performs favorably
against state-of-the-art methods in terms of structured similarity indexing
method (SSIM), peak signal-to-noise ratio (PSNR), Frechet inception distance
(FID) and L1, and qualitative comparisons.
- Abstract(参考訳): face deblurlingは、より明確な構造と顔の詳細で、ぼやけた入力画像から明快な顔画像を復元することを目的としている。
しかし、従来の画像や顔の劣化は、特殊な顔部分のテクスチャを考慮せずに生成した画像の解像度全体に焦点を合わせ、一般的には不十分な詳細を生成する。
本研究では,顔と背景が分布情報が異なることを考慮し,分離正規化と適応的非正規化(snadnet)に基づく効果的な顔デブラリングネットワークを設計した。
まず、顔解析ネットワークを微調整して、正確な顔構造を得る。
次に,顔解析機能を前景と背景に分けた。
さらに,補助の条件として相構造を正則化し,より調和的で不規則な顔構造を生成するための新しい特徴適応的非正規化法を構築した。
さらに,生成した顔テクスチャ情報を強化するために,テクスチャ抽出器とマルチパッチ識別器を提案する。
CelebAとCelebA-HQの両方のデータセットによる実験結果から,提案した顔劣化ネットワークは顔の細部をより詳細に復元し,構造化類似度指数法(SSIM),ピーク信号-雑音比(PSNR),Frechet開始距離(FID),L1,定性比較の観点から,最先端の手法に好適に対応していることが示された。
関連論文リスト
- Face Transformer: Towards High Fidelity and Accurate Face Swapping [54.737909435708936]
Face swappingは、ソース顔の同一性とターゲット顔の属性を融合させるスワップ画像を生成することを目的としている。
本稿では,顔の同一性と対象属性を同時に正確に保存できる新しい顔交換ネットワークであるFace Transformerを提案する。
論文 参考訳(メタデータ) (2023-04-05T15:51:44Z) - Face Shape-Guided Deep Feature Alignment for Face Recognition Robust to
Face Misalignment [32.53066213465744]
顔認識(FR)はコンピュータビジョンとパターン認識社会において活発に研究されている。
近年、ディープラーニングの進歩により、FR技術はベンチマークデータセットの大部分で高いパフォーマンスを示している。
しかし、FRアルゴリズムが現実世界のシナリオに適用されると、その性能は未だに満足できないことが知られている。
論文 参考訳(メタデータ) (2022-09-15T11:23:51Z) - FaceFormer: Scale-aware Blind Face Restoration with Transformers [18.514630131883536]
そこで我々は,顔の特徴回復をスケール・アウェア・トランスフォーメーションとして定式化する,FaceFormerという新しい顔修復フレームワークを提案する。
提案手法は, 合成データセットを用いて, 現在の最先端画像よりも, 自然な低品質画像を一般化する。
論文 参考訳(メタデータ) (2022-07-20T10:08:34Z) - FaceTuneGAN: Face Autoencoder for Convolutional Expression Transfer
Using Neural Generative Adversarial Networks [0.7043489166804575]
顔の識別と表情を分離して符号化する新しい3次元顔モデル表現であるFaceTuneGANを提案する。
本稿では,2次元領域で使用されている画像と画像の変換ネットワークを3次元顔形状に適応させる手法を提案する。
論文 参考訳(メタデータ) (2021-12-01T14:42:03Z) - TANet: A new Paradigm for Global Face Super-resolution via
Transformer-CNN Aggregation Network [72.41798177302175]
本稿では, 顔構造特徴の表現能力を完全に探求する自己認識機構(すなわち Transformer のコア)に基づく新しいパラダイムを提案する。
具体的には、2つの経路からなるTransformer-CNNアグリゲーションネットワーク(TANet)を設計する。
上記の2つの経路から特徴を集約することにより、グローバルな顔の構造の整合性と局所的な顔のディテール復元の忠実度を同時に強化する。
論文 参考訳(メタデータ) (2021-09-16T18:15:07Z) - Pro-UIGAN: Progressive Face Hallucination from Occluded Thumbnails [53.080403912727604]
Inpainting Generative Adversarial Network, Pro-UIGANを提案する。
顔の形状を利用して、隠された小さな顔の補充とアップサンプリング(8*)を行う。
Pro-UIGANは、HR面を視覚的に満足させ、下流タスクにおいて優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2021-08-02T02:29:24Z) - Learning to Aggregate and Personalize 3D Face from In-the-Wild Photo
Collection [65.92058628082322]
非パラメトリックフェースモデリングは形状仮定なしで画像からのみ3次元フェースを再構成することを目的としている。
本稿では,教師なしのロバストな3次元顔モデリングのための学習・アグリゲート・パーソナライズ・フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-15T03:10:17Z) - Face Super-Resolution Guided by 3D Facial Priors [92.23902886737832]
シャープな顔構造を把握した3次元顔先行情報を明示的に組み込んだ新しい顔超解像法を提案する。
我々の研究は、顔属性のパラメトリック記述の融合に基づく3次元形態的知識を初めて探求したものである。
提案した3D先行画像は、最先端技術よりも優れた顔超解像結果が得られる。
論文 参考訳(メタデータ) (2020-07-18T15:26:07Z) - Domain Embedded Multi-model Generative Adversarial Networks for
Image-based Face Inpainting [44.598234654270584]
そこで本研究では,大規模刈り取り領域で顔画像の塗布を行うためのドメイン組込み多モデル生成逆数モデルを提案する。
CelebAとCelebA-HQの両方の顔データセットに対する実験により、提案手法が最先端の性能を達成したことを示す。
論文 参考訳(メタデータ) (2020-02-05T17:36:13Z) - Exploiting Semantics for Face Image Deblurring [121.44928934662063]
本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。
顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。
提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
論文 参考訳(メタデータ) (2020-01-19T13:06:27Z)
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。