风格感知和多尺度注意力的人脸图像修复

人脸图像修复是计算机视觉领域中重建人脸图像的一项重要图像处理技术。现有人脸图像修复技术存在修复结果全局语义不合理的问题,这主要是由于现有技术的特征长程迁移能力不足,无法将破损图像中已知区域的信息合理地迁移到被遮蔽区域上。为此,本文在生成式对抗网络(generative adversarial network,GAN)框架下,构建了一种融合风格感知和多尺度注意力的编解码人脸图像修复模型。风格感知模块用于提取图像的全局语义信息,并利用提取的信息对编码逐级地进行渲染,以实现对修复过程的全局性调节;利用多尺度注意力模块对多尺度特征进行补丁块提取,并通过共享注意力得分和提取补丁块的矩阵乘法进行多尺度特征的长程迁移。在公开数据集CelebA-HQ上的实验结果表明:风格感知模块和多尺度注意力模块极大地增强了修复网络的特征长程迁移能力。相较于现有先进的人脸图像修复方案,本文所提出的模型在多种评价指标上均有显著的提升;修复结果的全局语义更加合理,并且在暗光条件下的修复效果更加自然。

重温Pb(ZrxTi(1-x))O3铁电薄膜极化疲劳问题

具有ABO3型钙钛矿结构的Pb(ZrxTi1-x)O3(PZT)展示出良好的铁电极化性能,是使用最广的铁电材料.然而,在将它应用于铁电存储时,PZT薄膜遭遇到极化疲劳问题而被SrBi2Ta2O9(SBT)等铁电体所替代,这一问题至今未能得到妥善解决.文章首先通过变温极化疲劳实验充分理解PZT极化疲劳的基本过程,然后有针对性地进行材料设计,获得基本无极化疲劳的PZT铁电薄膜.