|
|
|
|
【英文篇名】 |
Graph Based Neural Network Regression Strategy for Facial Image Super-Resolution |
|
【下载频次】 |
★★★★★ |
|
【作者】 |
呼延康;
樊鑫;
余乐天;
罗钟铉; |
|
【英文作者】 |
HUYAN Kang;
FAN Xin;
YU Le-Tian;
LUO Zhong-Xuan;
School of Software;
Dalian University of Technology; |
|
【作者单位】 |
大连理工大学软件学院; |
|
【文献出处】 |
软件学报
, Journal of Software, 编辑部邮箱
2018年 04期
期刊荣誉：中文核心期刊要目总览 ASPT来源刊 中国期刊方阵 CJFD收录刊 |
|
【中文关键词】 |
人脸图像;
超分辨率;
图;
神经网络;
回归; |
|
【英文关键词】 |
facial image;
super-resolution;
graph;
neural network;
regression; |
|
【摘要】 |
人脸超分辨率(super-resolution,简称SR)即将输入模糊的低分辨率(low-resolution,简称LR)人脸图像通过一系列算法处理得到较为清晰的高分辨率(high-resolution,简称HR)人脸图像的过程.相比自然图像,不同人脸图像的相同位置通常具有相似的结构.针对人脸图像的局部结构一致性特点,提出一种新的基于图结构的人脸超分辨率神经网络回归方法.将输入低分辨率图像表示为图结构,进而为图结构中每一个节点的局部表示训练一个浅层神经网络进行超分辨率回归.与基于规则矩形网格的方法相比,图结构在描述一个像素的局部信息时,不仅考虑到图像坐标的相关性,同时也关注了纹理的相似性,能够更好地表达图像局部特征.训练过程中,利用已收敛的相邻节点的神经网络参数初始化当前节点的神经网络参数,不仅加快了神经网络的收敛速度,而且提高了预测精度.与包括深度卷积神经网络在内的基于学习的超分辨率最新算法比较,实验结果表明,所提算法取得了更高的准确率.提出的图神经网络(graph neural networks,简称GNN)并不局限于解决人脸超分辨率问题,还可以用于处理其他具有不规则拓扑结构的数据,解决不同的问题. |
|
【英文摘要】 |
Facial image super-resolution(SR) generates a high-resolution(HR) facial image from a low-resolution(LR) facial image.Compared with natural images, facial images are so highly structured that local patches at similar locations across different faces share similar textures. In this paper, a novel graph-based neural network(GNN) regression is proposed to leverage this local structural information for facial image SR. Firstly, the grid representation of an input face image is converted into its corresponding g... |
|
【基金】 |
国家自然科学基金(61572096,61432003)~~ |
|
【更新日期】 |
2018-05-23 |
|
【分类号】 |
TP183;TP391.41 |
|
【正文快照】 |
近年来,随着计算机性能,特别是GPU性能的提升,以及视频图像等海量数据的支持,卷积神经网络取得了前所未有的成就.它在目标检测[1]、图像分类识别[2]、艺术风格转换[3]、视频图像分析[4],特别是图像超分辨率等研究领域都得到了广泛应用.在图像超分辨率,特别是在针对人脸图像这种 |
|
| 【相似文献】 |
 |
中国期刊全文数据库 |
 |
|
|
中国优秀硕士学位论文全文数据库 |
|
|
|
中国博士学位论文全文数据库 |
|
|
|
中国重要会议论文全文数据库 |
|
|
|
中国重要报纸全文数据库 |
|
|
|
中国学术期刊网络出版总库 |
|
|
|
|
点击下列相关研究机构和相关文献作者，可以直接查到这些机构和作者被《中国知识资源总库》收录的其它文献，使您全面了解该机构和该作者的研究动态和历史。
|
|
【文献分类导航】从导航的最底层可以看到与本文研究领域相同的文献，从上层导航可以浏览更多相关领域的文献。
|
|
|
| 
推荐 
