基于深度卷积网络的压缩人脸超分辨率研究.pdf

《基于深度卷积网络的压缩人脸超分辨率研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于深度卷积网络的压缩人脸超分辨率研究RESEARCHONCOMPRESSEDFACEHALLUCINATIONBASEDONDEEPCONVOLUTIONALNETWORK韩驰哈尔滨工业大学2018年6月国内图书分类号：TP391学校代码：10213国际图书分类号：681.39密级：公开工学硕士学位论文基于深度卷积网络的压缩人脸超分辨率研究硕士研究生：韩驰导师：刘贤明教授申请学位：工程硕士学科：计算机技术所在单位：计算机科学与技术学院答辩日期：2018年6月授予学位单位：哈尔滨工业大学ClassifiedIndex:TP391U

2、.D.C:681.39DissertationfortheMasterDegreeinEngineeringRESEARCHONCOMPRESSEDFACEHALLUCINATIONBASEDONDEEPCONVOLUTIONALNETWORKCandidate：ChiHanSupervisor：Prof.XianmingLiuAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：ComputerTechnologyAffiliation：SchoolofComputerSciencea

3、ndTechnologyDateofDefence：June,2018Degree-Conferring-Institution：HarbinInstituteofTechnology哈尔滨工业大学硕士学位论文摘要人脸图像是最常见的自然图像类型之一，在社交媒体、视频监控等领域都起着重要的作用。然而，在实际应用中，网络和视频监控图像都会进行压缩，人脸图像的质量受到压缩噪声的影响而产生退化。此外，为了使得人脸细节变得更加清晰以提高后续识别、分析等任务的准确度，通常也需要对人脸进行超分辨率重建。在本文中，我们研究压缩人脸图像超分辨率算法，联合考虑压

4、缩噪声消除和超分辨率重建。压缩人脸图像超分辨率是一个病态问题，需要依赖额外的先验知识。而人脸图像具有很强的领域知识。对退化人脸图像进行修复时，我们提出采用数据驱动的方式从大量人脸训练图像中挖掘人脸所特有的结构信息，同时，利用量化区间所提供的很强的先验约束。据此，本文提出了两种针对压缩人脸超分辨率的深度卷积网络模型，具体而言：首先我们提出了一个新颖的端到端的深度卷积神经网络来对压缩后的人脸进行超分辨率，通过对压缩人脸图像的退化过程进行建模，并基于该退化模型对模型的损失函数进行了改进，提出了一种新的损失函数：软解码约束，使用该损失函数实现了非常好

5、的效果。其次我们针对双分支网络CBN[30]的不足，根据人脸的先验知识设计了一种不同结构的网络模型：深度级联网络C-SDNet，其主要思路是使用人脸特征点检测得到人脸的高频区域，在网络中针对该高频区域进行特殊的处理。在CBN中，其中一个分支为公共分支，用于重建人脸的平滑区域，第二个分支为高频分支，其通过人脸高频先验的指导来对高频区域进行恢复；而在深度级联网络C-SDNet中分为两个阶段来训练，第一阶段将人脸图像视为自然图像，但由于该阶段重建结果在高频区域往往比较平滑，缺少一些必要的细节信息，所以在得到一个较好的效果后进入第二个阶段，在第二阶段

6、的训练中利用先验知识，损失函数只对人脸高频区域进行惩罚，从而在高频区域恢复或者合成一些纹理细节。此外，我们也尝试在损失函数中加入感知损失来进行训练，其结果将在正文部分进行展示。实验证明，我们的方法在PSNR和SSIM评价标准上以较大的优势领先于其他方法，并公共基准数据集上实现了目前最好的效果。关键词：人脸超分辨率，深度卷积神经网络，JPEG压缩，人脸高频先验-I-哈尔滨工业大学硕士学位论文AbstractFaceimageisoneofthemostcommonnaturalimages,andplaysanimportantroleinso

7、cialmedia,videosurveillanceandotherfields.However,inpracticalapplications,theimagesinthesocialmediaandsurveillancevideoswillbecompressed,andthequalityofthefaceimagewillbedegradedbytheinfluenceofthecompressednoise.Inaddition,inordertomakethefacedetailsmorecleartoimprovetheac

8、curacyofsubsequentrecognition,analysisandothertasks,itisusuallynecessarytosuper-re