计算机应用

作者：许若波, 卢涛, 王宇, 张彦铎

单位：1. 武汉工程大学 计算机科学与工程学院, 武汉 430205;2. 智能机器人湖北省重点实验室(武汉工程大学), 武汉 430205

关键词：组合学习,人脸幻构,生成对抗网络,融合网络,深度学习

基金：国家自然科学基金资助项目（61502354）；湖北省自然科学基金资助项目（2015CFB451）；中央引导地方科技发展专项（2018ZYYD059）；武汉工程大学科研基金资助项目（K201713）；武汉工程大学研究生教育创新基金资助项目（CX2018211）。

现有的基于深度学习的人脸超分辨算法大部分仅仅利用一种网络分区重建高分辨率输出图像，并未考虑人脸图像中的结构性信息，导致了在人脸的重要器官重建上缺乏足够的细节信息。针对这一问题，提出一种基于组合学习的人脸超分辨率算法。该算法独立采用不同深度学习模型的优势重建感兴趣的区域，由此在训练网络的过程中每个人脸区域的数据分布不同，不同的子网络能够获得更精确的先验信息。首先，对人脸图像采用超像素分割算法生成人脸组件部分和人脸背景图像；然后，采用人脸组件生成对抗网络（C-GAN）独立重建人脸组件图像块，并采用人脸背景重建网络生成人脸背景图像；其次，使用人脸组件融合网络将两种不同模型重建的人脸组件图像块自适应融合；最后，将生成的人脸组件图像块合并至人脸背景图像中，重建出最终的人脸图像。在FEI数据集上的实验结果表明，与人脸图像超分辨率算法通过组件生成和增强学习幻构人脸图像（LCGE）及判决性增强的生成对抗网络（EDGAN）相比，所提算法的峰值信噪比（PSNR）值分别高出1.23 dB和1.11 dB。所提算法能够采用不同深度学习模型的优势组合学习重建更精准的人脸图像，同时拓展了图像重建先验的来源。

来源：2020年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第3期