基于面部结构残差网络的压缩人脸图像复原算法

文中提出了一种结合面部结构先验信息的深度残差网络,用于压缩人脸图像的复原。在训练阶段,首先训练一个用于初步复原人脸图像整体结构的预复原网络,但是不具有任何先验信息的预复原网络并不能很好地处理具有精细结构的面部组件,因此该算法在预复原网络的基础上提取5种面部组件:眼睛、眉毛、鼻子、嘴巴和脸廓,分别训练用于复原面部组件的细节增强网络。在复原阶段,结合关键点检测结果生成的面部掩膜,对不同的人脸组件使用相应的网络参数进行精准地复原。实验结果表明,文中提出的算法与现有的先进复原算法相比,不仅具有更高的PSNR和SSIM,并且在人脸组件处有更加清晰的纹理细节,有效改善了复原后人脸图像的视觉效果。

基于分级子空间回归的压缩人脸图像复原

人脸图像具有自然图像不具备的对称特征和几何结构相似性。由于人脸图像往往具备非常复杂的角点和纹理特征,因此很难找到一种全局模型将压缩图像映射到原始未压缩图像。针对此问题,提出一种新颖的基于分级子空间回归的压缩人脸复原算法,该算法包括训练和复原两个部分。在训练部分,利用压缩人脸图像的边缘方向分布规律,将压缩-未压缩图像块对划分到多个浅层子空间中。然后对每个基于边缘方向分类的浅层子空间,利用K-means聚类算法得到它的深层子空间,并在每个深层子空间中训练得到相应的线性映射。在复原阶段,对每个输入的压缩图像块分析得到它的边缘方向,从而选择合适的线性映射,得到复原后的输出图像块。实验结果表明,该算法在PSNR和SSIM上均优于现有的常用复原算法,并且能够有效地去除压缩失真和锯齿效应,提高视觉效果。

支持在压缩域提取识别特征的人脸图像压缩方法

目的 提出一种支持在压缩数据中提取识别特征的人脸图像压缩算法。方法 将人脸图像分为特征区、过渡区和背景区,特征区采用反对称双正交小波变换子带编码;过渡区和背景区采用不同码率的改进型零树编码和Huffman编码。结果 验证了所提图像压缩算法的有效性。结论在获得高压缩比的同时,较好地保留了人脸图像的识别特征和主观质量,且能控制编码的比特数。