基于生成对抗网络的人脸图像超分辨率重建

摘要

超分辨率人脸重建是图像领域中的一个热门课题,它主要是对自然因素或人为因素所造成的单帧低分辨率人脸图像进行重建,从而恢复人脸图像基本面部特征。针对超分辨率生成对抗网络(Super Resolution Generative Adversarial Network,SRGAN)模型训练参数量大,生成的人脸图像质量差并含有大量伪影的问题,通过改进生成对抗网络,利用瓶颈结构残差块降低网络参数量,采用1×1卷积层增强图像在网络传输中的表达能力,引入注意力机制通过学习的方式来自动获取每个特征通道的重要程度,增加全局相关性提升面部特征的重建。结果表明,改进后的算法在set14、BSD测试集上峰值性噪声比优于SRGAN网络,参数量相比SRGAN网络降低了2.7倍,运算时间和重建图像明显优于SRGAN和增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)。