隨著互聯(lián)網(wǎng)技術的發(fā)展,我們進入了一個數(shù)據(jù)“爆炸”的時代,人臉圖像是人們日常生活中最為關注的數(shù)據(jù)之一,我們對高清人臉圖像的需求越來越高,甚低分辨率人臉幻構技術即將極低分辨率的人臉圖像重建為高分辨率的人臉圖像,以便后續(xù)的人臉識別或其他處理。人臉幻構技術可理解為針對人臉圖像的超分辨率技術,其研究歷史有二十多年,從全局臉方法到局部臉方法,再到利用人臉結構特性的一些綜合性方法,對于一般的低分辨率人臉做4倍重建已經有理想的恢復效果,然而當放大尺度增大到8倍時,大多數(shù)方法的重建效果嚴重下降。2012年,Alexnet的成功引發(fā)了深度學習研究的熱潮,深度學習能夠充分挖掘大規(guī)模數(shù)據(jù)集中的特征,基于深度學習的甚低分辨率人臉幻構方法成為可能。本文的主要工作是甚低分辨率人臉幻構深度模型與算法研究,其核心思想和創(chuàng)新點主要分為以下三點:1.以VDSR（Very Deep Convolutional Networks for Image Super-Resolution）超分辨率網(wǎng)絡為基礎,融入Googlenet的Inception思想,本文構建了基于MP-VDSR（Multi-Path and Very Deep... 

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題的背景及研究意義
    1.2 低分辨率圖像的降質過程
    1.3 圖像超分辨率研究發(fā)展歷程及現(xiàn)狀
        1.3.1 基于傳統(tǒng)機器學習的圖像超分辨率方法
        1.3.2 基于深度學習的圖像超分辨率方法
    1.4 人臉幻構發(fā)展歷程及現(xiàn)狀
        1.4.1 基于全局臉的算法
        1.4.2 基于局部臉的算法
        1.4.3 基于深度學習的算法
    1.5 圖像重建質量評估標準
    1.6 論文的主要工作及結構安排
第二章 基于MP-VDSR的圖像超分辨率方法
    2.1 深度學習背景介紹
        2.1.1 人工神經網(wǎng)絡
        2.1.2 卷積神經網(wǎng)絡應用
    2.2 VDSR超分辨率網(wǎng)絡
        2.2.1 網(wǎng)絡結構圖
        2.2.2 訓練細節(jié)
    2.3 基于MP-VDSR的超分辨率網(wǎng)絡
        2.3.1 Inception結構及其思想
        2.3.2 MP-VDSR網(wǎng)絡結構
    2.4 實驗過程及結果比較
        2.4.1 數(shù)據(jù)集準備
        2.4.2 自然圖像超分辨率結果
        2.4.3 甚低分辨率人臉幻構結果
    2.5 本章小結
第三章 基于Encoder-Decoder的甚低分辨率人臉幻構方法
    3.1 Encoder-Decoder模型
        3.1.1 模型背景
        3.1.2 主要應用
    3.2 EDV和EDF網(wǎng)絡模型
        3.2.1 Resnet模塊
        3.2.2 網(wǎng)絡結構及訓練細節(jié)
    3.3 實驗過程及結果比較
    3.4 本章小結
第四章 基于生成對抗網(wǎng)絡的甚低分辨率人臉幻構方法
    4.1 生成對抗網(wǎng)絡的基本原理
        4.1.1 原始GAN模型
        4.1.2 WGAN和WGAN-GP模型
        4.1.3 梯度懲罰項GP和LP
    4.2 基于正則WGAN模型的甚低分辨率人臉幻構
        4.2.1 模型生成器結構EDV和EDF
        4.2.2 梯度懲罰項GP和LP
    4.3 實驗過程及結果分析
        4.3.1 實驗過程
        4.3.2 結果分析
    4.4 真實低分辨率人臉測試
        4.4.1 簡單降質模型下的重建結果分析
        4.4.2 復雜降質模型下的重建結果分析
    4.5 本章小結
第五章 工作總結與展望
    5.1 工作總結
    5.2 未來展望
參考文獻
附錄1 攻讀碩士學位期間撰寫的論文
附錄2 攻讀碩士學位期間申請的專利
附錄3 攻讀碩士學位期間參加的科研項目
致謝



本文編號：3677594