基于图像块相似性和补全生成的人脸复原算法

图像获取过程中,由于成像距离、成像设备分辨率等因素的限制,成像系统难以无失真地获取原始场景中的信息,产生变形、模糊、降采样和噪声等问题,针对上述情况下降质图像的复原问题,提出了适用于低分辨率,低先验知识情况下的人脸复原方法,通过基于图像相似性的期望块log相似性EPLL (expected patch log likelihood)框架来构建人脸复原效果的失真函数,利用生成对抗网络的图像补全式生成过程来复原图像。所提算法在加噪率50%以及更高情况下可以保持较好的人脸图像轮廓与视觉特点,在复原加噪20%的降质图像时,相比传统的基于图像块相似性的算法,本文算法复原结果的统计特征峰值信噪比PSNR (peak signal-noise ratio)与结构相似度SSIM (structural similarity)值具有明显优势。

多尺度渐进式网络人脸复原方法应用探究

随着公安信息技术的发展,科技主导侦查逐渐成为一种新趋势。但在公安机关的成像设备拍摄记录或依法取证过程中,人脸图像会因设备抖动、失焦或环境变化等因素的影响变得模糊,进而给公安机关的侦查犯罪工作增加阻力。为解决上述问题,本文介绍了一种多尺度渐进式网络[1]的人脸复原方法—PSFR-GAN。它利用有监督的生成对抗网络[2],不仅考虑了特征的重构,而且还考虑了图像风格的转换。在实验过程中,通过仿真实验和实战应用来验证该方法的实用性和可靠性。结果表明,PSFR-GAN在高质量人脸图像复原方面取得了良好的性能,并在实验中取得了令人满意的结果,能够为公安机关侦查犯罪的工作提供高效、有力的技术支撑。

基于残差生成对抗网络的人脸图像复原

得益于计算机视觉的快速发展,人脸图像复原技术可以仅利用人脸的轮廓来生成完整的人脸图像。目前已有许多基于卷积神经网络和生成对抗网络等方法的人脸复原技术被提出,它们可以利用部分破损的人脸图像进行复原或者使用人脸轮廓直接生成人脸图像。然而,使用这些技术复原后的人脸图像在定性和定量分析时效果不够理想,并且复原时存在诸多的条件限制。因此,文中提出了一种基于残差生成对抗网络的人脸图像复原(FR-RGAN)方法,该方法借助深度卷积、残差网络和更小的卷积核,提升了模型性能,利用人脸的轮廓复原面部局部细节,使其更加生动地呈现出来。实验结果表明,FR-RGAN在均方误差、峰值信噪比和结构相似度指标上比pix2pix分别提高了8.7%,2.1%和9.6%,比无残差方法分别提高了53.4%,12.6%和30.1%。