条件GAN去模糊算法在人脸识别中的应用

摘要

现有大部分基于卷积神经网络的图像去模糊算法,在人脸识别相关场景应用中,存在识别率提升不明显、参数量过多等问题.针对上述现象,本文提出一种基于条件生成对抗网络（Conditional Generative Adversarial Networks,DGAN）的图像去模糊算法.该算法将结合了轻量级分组卷积与改进SE（Squeeze-and-Excitation,SE）注意力机制的Group-SE模块作为生成器的主体部件,将引入了全局性稠密连接的改进DenseNet作为判别器核心,以解决去模糊技术应用在人脸识别算法中的低效率等问题.在CASIA WebFace和LFW数据集上的实验表明,所提算法在提升图像质量、降低模型参数量等方面均有不错的表现,并且采用了该算法作为图像预处理过程的SphereFace、CosFace和ArcFace人脸识别方法,在LFW数据集上识别率分别有4.22%、3.43%和3.95%的大幅提升.