論文の概要: Super-Resolving Face Image by Facial Parsing Information

• arxiv url: http://arxiv.org/abs/2304.02923v1
• Date: Thu, 6 Apr 2023 08:19:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 14:56:57.562223
• Title: Super-Resolving Face Image by Facial Parsing Information
• Title（参考訳）: 顔解析情報による超解像顔画像
• Authors: Chenyang Wang, Junjun Jiang, Zhiwei Zhong, Deming Zhai, and Xianming Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.1267613768555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face super-resolution is a technology that transforms a low-resolution face image into the corresponding high-resolution one. In this paper, we build a novel parsing map guided face super-resolution network which extracts the face prior (i.e., parsing map) directly from low-resolution face image for the following utilization. To exploit the extracted prior fully, a parsing map attention fusion block is carefully designed, which can not only effectively explore the information of parsing map, but also combines powerful attention mechanism. Moreover, in light of that high-resolution features contain more precise spatial information while low-resolution features provide strong contextual information, we hope to maintain and utilize these complementary information. To achieve this goal, we develop a multi-scale refine block to maintain spatial and contextual information and take advantage of multi-scale features to refine the feature representations. Experimental results demonstrate that our method outperforms the state-of-the-arts in terms of quantitative metrics and visual quality. The source codes will be available at https://github.com/wcy-cs/FishFSRNet.
• Abstract（参考訳）: 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。 本稿では,低解像度の顔画像から直接顔先(すなわち解析マップ)を抽出する,新しい解析マップ誘導面超解像ネットワークを構築する。 抽出した先行情報を十分に活用するために、解析マップの情報を効果的に探索するだけでなく、強力な注意機構を組み合わせることができる解析マップ注意融合ブロックを慎重に設計する。 さらに,高分解能機能はより正確な空間情報を含み,低分解能機能は強い文脈情報を提供するため,これらの補完的情報を維持・活用したい。 この目的を達成するために,空間情報と文脈情報を維持するマルチスケール精細ブロックを開発し,マルチスケール機能を利用して特徴表現を洗練させる。 実験の結果,本手法は定量的な測定値と視覚的品質で最先端の手法であることがわかった。 ソースコードはhttps://github.com/wcy-cs/FishFSRNetで入手できる。

関連論文リスト

• Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution [55.9977636042469]
  ビット深度圧縮は、微妙な変化のある領域で均一な深度表現を生成し、詳細情報の回復を妨げる。 密集したランダムノイズは、シーンのグローバルな幾何学的構造を推定する精度を低下させる。 圧縮深度マップ超解像のための新しいフレームワークGDNetを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:37:30Z)
• Cross-resolution Face Recognition via Identity-Preserving Network and Knowledge Distillation [12.090322373964124]
  クロスレゾリューション顔認識は、現代の深層顔認識システムにとって難しい問題である。 本稿では,低分解能画像の低周波成分に蓄積される識別情報にネットワークを集中させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-15T14:52:46Z)
• Face Super-Resolution with Progressive Embedding of Multi-scale Face Priors [4.649637261351803]
  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。
  論文  参考訳（メタデータ） (2022-10-12T08:16:52Z)
• HAZE-Net: High-Frequency Attentive Super-Resolved Gaze Estimation in Low-Resolution Face Images [2.951890686127008]
  本稿では,高周波減衰型視線推定ネットワーク,すなわちHAZE-Netを提案する。 我々のネットワークは、入力画像の解像度を改善し、目の特徴と境界を拡大する。 実験結果から,28×28ピクセルの低解像度顔画像においても,頑健な視線推定性能が得られた。
  論文  参考訳（メタデータ） (2022-09-21T07:57:07Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
  誘導超解像のための新しい定式化を導入する。 そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。 提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-27T13:12:18Z)
• Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution [89.1947690981471]
  本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。 特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。 実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-09-28T08:31:23Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。