渐进式生成对抗网络的人脸超分辨率重建

人脸幻构是图像超分辨率重建领域的一个子领域,用于恢复面部基本特征且不变形.现有方法着重于恢复本身细节相对丰富的图像,本文针对高频细节已丢失严重的人脸图像提出了一种渐进式生成对抗网络的人脸超分辨率重建方法(P-FSRGAN),可生成逼真的8倍超高分辨率人脸图像.采用渐进式生成方法,通过分阶段拆分训练的方式来保证训练过程的稳定.Inception-ResNet结构的引入增加了网络的宽度;加快了网络收敛速度.引入语义分割网络获得人脸的边缘轮廓信息和面部特征.实验结果表明,在8倍放大尺度因子下,P-FSRGAN的峰值信噪比达到25.83dB、结构相似性指标达到0.7735、多尺度结构相似性指标达到0.8989,均优于其他算法,表明了本文方法的有效性.

差分隐私模糊聚类位置保护方法

针对现有差分隐私聚类位置保护方法存在初始值敏感、离散数据不适用、误差较大的问题,文中提出了一种差分隐私模糊聚类位置保护方法。首先,通过高斯核函数将点映射到特征空间,由于核函数计算量相对较小,计算效率有了显著提升;然后,将差分隐私与改进的模糊C均值聚类算法相结合,使得每一组输入数据不再仅隶属于某一特定的类,而是以隶属程度来表现;最后,文中将满足差分隐私约束的拉普拉斯噪声添加到聚类集合的质心点中,得到每个点的扰动位置,并使用扰动位置进行查询。实验结果表明,在保障位置隐私安全的前提下,差分隐私模糊聚类位置保护方法降低了查询误差,提升了算法效率。

一种改进的差分隐私聚类位置保护方法

差分隐私常被应用于位置隐私保护场景中,通过给位置点加入干扰噪声来混淆真实数据以达到保护隐私目的,但该方法会造成大量噪声数据冗余,影响位置的真实性。为解决该问题,提出一种新的基于差分隐私的DPK-MO算法来保护用户真实位置。在确定初始中心点时加入邻接密度和最小误差平方,并始终选取样本误差平方和最小的点作为中心再聚类,剔除离散点,合并密度小的聚类集,最后合理加入符合差分隐私的拉普拉斯噪声来得到虚拟位置。实验结果证明,该方法可有效缓解数据集范围广、边界值影响大、密度分布不均的问题,降低了查询误差。在同一隐私参数下与差分隐私K-means聚类方法相比,数据可用性提升了30%。