摘要: 超分辨率是将给定的低分辨率图像恢复成高分辨率的图像的过程。随着深度学习的发展，图像的超分辨率技术在许多领域如人脸识别、医学图像处理、目标检测、卫星图像和监控设备等领域都有着重要的应用价值。 目前，超分辨率的研究方法主要有传统算法... 展开 超分辨率是将给定的低分辨率图像恢复成高分辨率的图像的过程。随着深度学习的发展，图像的超分辨率技术在许多领域如人脸识别、医学图像处理、目标检测、卫星图像和监控设备等领域都有着重要的应用价值。 目前，超分辨率的研究方法主要有传统算法和基于神经网络的深度学习算法。虽然基于神经网络的深度学习方法在单幅超分辨率(Single Image Super Resolution，SISR)领域的重建质量和重建效率方面相较于传统算法取得了很大的领先，但是由于深度学习方法的学习能力主要由训练数据的质量决定，而现有的超分辨率网络模型的训练数据都是人工合成的，即在降采样期间，利用预定义的模糊核(例如双三次下采样)来制作低分辨率的数据集，而实际应用的真实场景中涉及的模糊核非常复杂并且未知。实际场景使用的数据集和训练使用的数据集中数据分布的不同会导致超分辨率的性能严重下降。因此，如何只使用现有的在真实场景获取的低分辨率图像，达到在真实场景下优越的超分辨率效果仍然是一个挑战性的问题。 针对以上挑战，本文主要开展了三个方面的创新工作。 (1)模糊核先验信息嵌入生成的低分辨率图像来提高超分辨率网络的泛化能力。模糊核具有指导图像重构的先验信息，因此利用模糊核估计的方法获取模糊核，将模糊核嵌入生成式对抗网络中可以获取拥有复杂降质的低分辨率图像数据集，利用该数据集训练超分辨率网络可以提高该模型的泛化能力。 (2)人脸关键点先验信息嵌入维持人脸几何结构信息。考虑到生成式对抗网络的不稳定性，因此在网络中嵌入了人脸关键点来维持几何结构信息缓解人脸的变形问题。 (3)引入注意力机制提升重构图像的感知质量。为了提高超分辨率网络在图像的纹理和边缘等细节的重构质量，利用注意力机制关注重构过程中较难恢复的细节纹理信息，抑制干扰特征。另外，为了缓解梯度消失问题并加快训练速度，引入了残差结构配合注意力机制重构图像。 本文的网络模型在LS3D-W和LR-testset上的进行了定性和定量的实验。实验结果说明了本文模型对于真实数据集有很好的泛化能力。除此之外，在LR-testset的真实数据集上对模糊核、人脸关键点和通道注意力机制三个组件进行了消融性实验，实验结果表明模糊核和人脸关键点先验信息的嵌入在生成LR数据集中发挥了积极的作用。 收起