检索结果-南通市图书馆

南京邮电大学学报（自然科学版） 2019年第4期39卷 39-46页

作者：赵强干宗良刘峰南京邮电大学通信与信息工程学院

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... 详细信息

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。

关键词：压缩人脸图像深度残差网络关键点检测人脸结构

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的压缩人脸图像复原算法

基于深度学习的压缩人脸图像复原算法

引用

作者：赵强南京邮电大学

学位级别：硕士

有损压缩图像的复原一直是图像处理领域备受关注的话题,多年来针对压缩图像复原的研究也取得了显著的效果。但大多数压缩图像复原算法都是针对自然图像,并没有特别考虑人脸图像结构的特殊性,故对压缩人脸图像的复原效果并不理想。针对... 详细信息

有损压缩图像的复原一直是图像处理领域备受关注的话题,多年来针对压缩图像复原的研究也取得了显著的效果。但大多数压缩图像复原算法都是针对自然图像,并没有特别考虑人脸图像结构的特殊性,故对压缩人脸图像的复原效果并不理想。针对此问题,本文结合人脸组件先验信息,提出基于深度学习的压缩人脸图像复原算法,主要研究成果如下:1.基于面部结构残差网络的压缩人脸图像复原方法。由于域的特定属性,使用通用的压缩图像复原算法进行压缩人脸图像复原,往往会使复原出的人脸图像在面部组件附近出现严重的模糊。为了获得面部组件部分更加清晰的复原图像,提出一种结合面部结构先验信息的深度残差网路。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五种面部组件: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,再结合由Landmark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的复原。实验结果表明,该方法相比其他复原算法不仅具有更高的客观评价指标,且复原结果在人脸组件处拥有更加清晰的纹理细节。2.基于生成对抗网络的压缩人脸图像复原方法。使用MSE准则优化的模型通常具有较高的信噪比,但生成的图像会趋于平滑,且视觉感知效果较差。加入感知损失有助于恢复图像的语义结构,生成具有优秀感知质量的图像。因此,本文提出使用感知损失函数优化生成对抗网络的方法用于压缩人脸图像的复原。但如果直接使用压缩图像进行生成对抗训练,则低质图像中原本的噪声可能会被生成器误识别为图像本身的细节而被放大。因此本文首先训练一个融合了面部组件结构的去噪模型,用来去除输入图像中多余的噪声;然后再使用生成对抗网络来生成人脸组件处的纹理和细节。实验结果表明,去噪模型取得了最佳的PSNR和SSIM;生成对抗网络模型则生成了纹理更加丰富的人脸图像,具有最佳感知质量。

关键词：压缩人脸图像深度残差网络人脸结构感知损失函数生成对抗网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度先验约束的低质压缩人脸图像复原方法

基于深度先验约束的低质压缩人脸图像复原方法

引用

作者：邓金晶南京邮电大学

学位级别：硕士

有损图像压缩技术作为一种降低数据量大小同时保有重要图像信息的技术,在各种通信和存储领域被广泛应用。于此同时也存在着许多从压缩图像中获取更多信息的需求,这催生了有损压缩图像复原领域的诞生。多年来,针对压缩图像复原的研究已... 详细信息

有损图像压缩技术作为一种降低数据量大小同时保有重要图像信息的技术,在各种通信和存储领域被广泛应用。于此同时也存在着许多从压缩图像中获取更多信息的需求,这催生了有损压缩图像复原领域的诞生。多年来,针对压缩图像复原的研究已经取得了较大的进展,可以从有损图像中复原出图中隐藏的细节,但大多数的算法是针对自然图像实现的,对于压缩人脸图像的复原效果不尽人意。压缩人脸图像作为一种特殊的图像大类,拥有自然图像所不具备的结构性先验信息,充分利用图像中的先验设计深度网络可以有效提升复原质量。针对上述问题,本论文研究了基于深度先验约束的低质压缩人脸复原算法,具体工作包括以下方面:(1)利用人脸组件分布先验指导深度特征的复原,提出了一种基于金字塔结构的反投影条件网络,使得面部组件部分获得更加清晰的复原结果。该网络由复原分支和先验分支两大部分构成,前者负责网络的主要复原工作,其中金字塔结构网络对图像进行不同尺寸的特征提取、反投影机制负责复原细节矫正。后者从人脸组件分布图中提取先验信息,用来引导反投影模块中深度特征的生成。实验结果表明,该方法相对其他复原算法,在低质压缩人脸图像的复原上不仅具有更高的客观评价指标,而且复原结果拥有更加清晰的五官细节特征。(2)针对人类视觉处理系统的特性,提出了基于多注意力机制的反投影生成对抗网络。通过在网络中引入多注意力机制的残差模块进行特征重要性学习,减少冗余特征对复原过程的干扰。同时,考虑到使用MSE准则优化的复原结果视觉感知效果较差,采用生成对抗网络结构来生成符合人眼感知的纹理和细节。通过在反投影子单元中引入注意力机制,以及在子单元间引入特征融合机制,优化了特征的融合和取舍。实验结果表明,基于多注意力机制的反投影生成对抗网络可以生成纹理丰富、细节真实的复原图像。(3)针对无法获得大量高质-低质图像对的盲复原场景,提出基于高质人脸先验字典的盲复原对偶网络。在训练阶段,首先需要基于已有的高质量人脸图像数据库,结合人脸图像的五官位置信息搭建高质人脸组件先验字典,构成盲复原网络的高质先验。接着提出对偶回归策略学习低质向高质的逆向压缩映射,利用这种全局反投影机制实现盲复原中的训练调节。实验结果表明,基于高质人脸先验字典的盲复原对偶网络可以有效利用高质先验信息,在压缩信息缺失的情况下也能很好地生成清晰的复原图像。综上所述,本论文研究并实现了针对不同深度先验约束的复原算法,对于有训练图像对的人脸图像,主要考虑了五官分布等结构化信息,辅以反投影机制、注意力机制以及生成对抗机制等约束复原解空间,对于缺少训练图像的图像,借助高质人脸组件先验的特征,以及对偶网络反向学习映射关系,实验证明这样的深度先验约束可以为复原算法带来更好的优化结果。

关键词：压缩人脸图像深度先验生成对抗网络注意力机制反投影机制盲复原

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于分级子空间回归的压缩人脸图像复原

引用

计算机技术与发展 2019年第6期29卷 159-163页

作者：刘心宇干宗良刘峰南京邮电大学通信与信息工程学院

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... 详细信息

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。

关键词：压缩人脸图像子空间回归边缘方向浅层子空间深层子空间

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：