【技术实现步骤摘要】
一种基于多尺度注意力残差和等变映射的人脸超分辨率方法
[0001]本专利技术属于图像处理和计算机视觉领域,涉及人脸图像的超分辨率重构方法,尤其涉及一种基于多尺度注意力残差和等变映射的人脸超分辨率方法。
技术介绍
[0002]由于深度学习的出现,人脸识别取得了非凡的成功。然而,许多现有的人脸识别模型在处理侧面脸图像时,相对于处理正面脸图像,仍然表现得相对较差。并且在实际应用中,获得的人脸图像分辨率都比较低,即使转化成正脸,图像的效果也是比较差。
[0003]为了解决上述问题,本专利技术提出了一种基于多尺度注意力残差和等变映射的人脸超分辨率方法,以实现将低分辨率的侧脸图像超分辨率重构为高分辨率的正脸图像。
技术实现思路
[0004]本专利技术用于解决现阶段图像超分辨率重构方法只能单纯地将图像超分辨率重构为高分辨率图像,而不能实现图像从正脸到侧脸的角度转换问题。为了解决上述问题,本专利技术提供了一种基于多尺度注意力残差和等变映射的人脸超分辨率方法。本方法采用不同尺度的卷积核和增加注意力的方法提取图像的特征,并用一个残差等变映射模块处理重构特征,可以将侧面人脸图像的特征向量变换到与正面人脸图像相同的特征向量空间中,最后再经过重建模块,获得高分辨率的人脸正脸图像。具体包括以下步骤:
[0005]1)将低分辨率人脸侧脸图像I
LR
作为网络的输入,对I
LR
进行卷积操作,提取浅层特征M0;
[0006]2)将浅层特征M0作为由n个多尺度注意力残差模块构成的 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于多尺度注意力残差和等变映射的人脸超分辨率方法,其特征在于,包括以下步骤:步骤1)将低分辨率人脸侧面图像I
LR
作为网络的输入,对I
LR
进行卷积操作,提取浅层特征M0;步骤2)将浅层特征M0作为由n个多尺度注意力残差模块构成的特征提取子网的输入,然后将特征提取子网中每个多尺度注意力残差模块输出的特征进行融合,得到深层特征M
c
;步骤3)将融合后的特征M
c
通过一个全连接层,得到特征M
d
;步骤4)将特征M
d
输入到残差等变映射模块,经过两个全连接层后得到的特征M
g
;角度估计模块提取输入的低分辨率侧脸图像的21个关键点,得到人脸角度的偏航系数Y,将偏航系数Y和M
g
相乘,最后加上输入的特征M
d
,得到最终变换后的特征M
f
:M
f
=Y*M
g
+M
d
步骤5)将变换后的特征向量M
f
输入重建模块,获得最终重建后的高分辨率正脸图像I
SR
。2.根据权利要求1所述的基于多尺度注意力残差和等变映射的人脸超分辨率方法,其特征在于:步骤2所述的特征提取子网由n个多尺度注意力残差模块组成,其中,第i个多尺度注意力残差模块的输入为前一个多尺度注意力残差模块的输出M
i
‑1,输出的特征为M
i
;每个多尺度注意力残差模块由多尺度残差模块和注意力模块两部分组成;2.1)所述的多尺度残差模块是由两个3*3的卷积、两个5*5的卷积和一个1*1的卷积构成,输入的特征分别经过3*3的卷积核和5*5的卷积核,把这两个卷积核的输出结果concat起来,作为下一个3*3卷积核和5*5卷积核的输入,然后再把他们输出的结果concat起来,作为1*1卷积核的输入;为实现残差操作所以在后边加了一个1*1的卷积核,将特征图的通道数进行压缩;2.2)所述的注意力模块主要是通过使用二阶特征统计量进行更具区分度的表示来自适应地缩放通道级别的特征;首先计算输入特征的协方差矩阵,然后将协方差矩阵进行特征值分解,最后将协方差归一化,转化为特征值的1/2次幂;这样便得到了归一化的协方差矩阵a,这个归一化的协方差矩阵就代表不同通道特征的相关性;最后将归一化的协方差矩阵的每层进行全局平均池化操作得到每层的通道描述子,具体表示如下:Z=H
GCP
(a)其中,H
GCP
()表示示全局平均池化操作;得到每层的通道描述子后,再通过gating function得到最终的权重W,具体表示如下:W=f(W
U
技术研发人员:付利华,张博,闫绍兴,王丹,王俊翔,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。