論文の概要: Face Super-Resolution with Progressive Embedding of Multi-scale Face Priors

• arxiv url: http://arxiv.org/abs/2210.06002v1
• Date: Wed, 12 Oct 2022 08:16:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 14:47:30.976731
• Title: Face Super-Resolution with Progressive Embedding of Multi-scale Face Priors
• Title（参考訳）: マルチスケール顔のプログレッシブ埋め込みによる顔超解像
• Authors: Chenggong Zhang and Zhilei Liu
• Abstract要約: フェース超解像のための新しい再帰畳み込みネットワークベースのフレームワークを提案する。 我々は、繰り返しネットワークの中間出力をフル活用し、ランドマーク情報と顔行動単位(AU)情報を抽出する。 提案手法は,画像の画質と顔の細部復元において,最先端のFSR法よりも優れていた。
• 参考スコア（独自算出の注目度）: 4.649637261351803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The face super-resolution (FSR) task is to reconstruct high-resolution face images from low-resolution inputs. Recent works have achieved success on this task by utilizing facial priors such as facial landmarks. Most existing methods pay more attention to global shape and structure information, but less to local texture information, which makes them cannot recover local details well. In this paper, we propose a novel recurrent convolutional network based framework for face super-resolution, which progressively introduces both global shape and local texture information. We take full advantage of the intermediate outputs of the recurrent network, and landmarks information and facial action units (AUs) information are extracted in the output of the first and second steps respectively, rather than low-resolution input. Moreover, we introduced AU classification results as a novel quantitative metric for facial details restoration. Extensive experiments show that our proposed method significantly outperforms state-of-the-art FSR methods in terms of image quality and facial details restoration.
• Abstract（参考訳）: FSRタスクは、高解像度の顔画像を低解像度の入力から再構成することである。 最近の研究は、顔のランドマークのような顔の先行技術を利用することで、この課題を成功に導いている。 既存の手法のほとんどは、グローバルな形状や構造情報に注意を払っているが、ローカルなテクスチャ情報には注意を払っていないため、ローカルな詳細を回復できない。 本稿では,グローバル形状情報と局所テクスチャ情報の両方を漸進的に導入する,顔の超解像のための再帰的畳み込みネットワークベースフレームワークを提案する。 我々は、リカレントネットワークの中間出力を最大限に活用し、低解像度入力よりも第1ステップと第2ステップの出力でランドマーク情報と顔動作単位(aus)情報を抽出する。 さらに,顔情報復元のための新しい定量的指標としてAU分類を導入した。 広汎な実験により,提案手法は画像品質と顔の細部復元の点で最先端のFSR法よりも優れていた。

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)
• Super-Resolving Face Image by Facial Parsing Information [52.1267613768555]
  顔超解像は、低解像度の顔画像を対応する高解像度の画像に変換する技術である。 我々は,低解像度の顔画像から先行する顔を抽出する,新しい解析マップ付き顔超解像ネットワークを構築した。 高解像度特徴はより正確な空間情報を含み、低解像度特徴は強い文脈情報を提供する。
  論文  参考訳（メタデータ） (2023-04-06T08:19:03Z)
• A Survey of Deep Face Restoration: Denoise, Super-Resolution, Deblur, Artifact Removal [177.21001709272144]
  顔復元(FR)は、低品質(LQ)入力画像から高品質(HQ)顔を復元することを目的としている。 本稿では,顔修復のための深層学習技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-05T07:08:15Z)
• Multi-Prior Learning via Neural Architecture Search for Blind Face Restoration [61.27907052910136]
  Blind Face Restoration (BFR)は、高品質な顔画像から高品質な顔画像を復元することを目的としている。 1)手動チューニングを伴わない強力なネットワークアーキテクチャの導出方法,2) 複数の顔前者からの補完情報を1つのネットワークで取得して復元性能を向上させる方法,の2つの大きな課題がある。 特定検索空間内において,適切な特徴抽出アーキテクチャを適応的に探索する顔復元検索ネットワーク(FRSNet)を提案する。
  論文  参考訳（メタデータ） (2022-06-28T12:29:53Z)
• 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)
• Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
  顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。 現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。 本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
  論文  参考訳（メタデータ） (2021-01-11T08:17:11Z)
• Learning Spatial Attention for Face Super-Resolution [28.60619685892613]
  一般画像超解像技術は、低解像度の顔画像に適用する場合、詳細な顔構造を復元することが困難である。 近年,顔画像に適した深層学習手法は,顔解析やランドマーク予測などのタスクを共同で訓練することで,性能の向上を実現している。 顔超解像のための新たに提案した顔注意ユニット(FAUs)上に構築したSPatial Attention Residual Network(SPARNet)を紹介する。
  論文  参考訳（メタデータ） (2020-12-02T13:54:25Z)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)

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。