在低光环境下，人脸图像增强是许多任务的重要恢复方法。然而，现有的低光环境下人脸超分辨率方法通常依赖于低光增强和超分算法的序列建模。遗憾的是，由于优化目标之间的差异，使用这种方法来增强人脸图像很容易导致伪影或噪声。为了应对这一挑战，本文提出了一个端到端的低光人脸图像超分辨率网络LFSRNet（low-light face super resolution network）。该网络由浅层特征提取、深层特征提取和特征过滤上采样3个模块组成。浅层特征模块首先将输入的低光、低分辨率人脸图像映射到特征空间。随后，深度特征提取模块对其进行亮度校正并细化结构。最后，特征过滤上采样模块处理提取到的特征并重建人脸图像。此外，为了更好地重建丢失的面部细节本文还设计了一个损失函数faceMaskLoss。大量实验证明了所提模型的有效性。
在粒子群优化算法中，多样性丢失会导致算法过早收敛，造成种群多样性和收敛性不足。为更好平衡种群多样性与收敛性，提出一种基于融合指标分区的多策略竞争群优化算法(multi-strategy competitive swarm optimization algorithm based ...
详细信息
在粒子群优化算法中，多样性丢失会导致算法过早收敛，造成种群多样性和收敛性不足。为更好平衡种群多样性与收敛性，提出一种基于融合指标分区的多策略竞争群优化算法(multi-strategy competitive swarm optimization algorithm based on fusion index partition, FIMSCSO)。首先，为同时评估不同子种群的多样性和收敛性，提出一种利用融合指标的分区方法，更有效区分子种群性能，提升子种群粒子的搜索效率。其次，对通过分区获得的子种群设计多重学习机制。子种群内部学习时，为使子种群朝向更利于平衡收敛性与多样性的方向学习，将粒子性能与寻优过程结合，提出新的获胜粒子学习方法，提高种群粒子参与度和算法寻优效率；子种群间学习时，为减少整个种群陷入局部最优的可能性，引入改进三重竞争机制促进子种群间信息交流，帮助提高收敛精度。最后，设计实时停滞检测和变异策略帮助种群跳出局部最优。理论证明了所提算法的收敛性。实验结果表明，相比其他改进算法，所提FIMSCSO算法具有良好的收敛精度和寻优效率。
同方期刊数据库
维普期刊数据库
暂无评论