.png){kind=icon}
返回
FACDIM: A Face Image Super-Resolution Method That Integrates Conditional Diffusion Models with Prior Attributes
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14102070.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人脸图像超分辨率旨在从低分辨率输入中重建高质量细节，但传统方法（如插值、卷积神经网络（CNNs）和生成对抗网络（GANs））往往效果有限，存在真实感不足、高频细节丢失和训练不稳定等问题。此外，许多现有模型未能充分整合面部结构属性和语义信息，导致生成图像语义不一致。为克服这些局限，本研究引入了一种基于属性先验的条件扩散隐式模型，增强了超分辨率生成的可控性并提升了细节恢复能力。方法上，该框架包含四个组成部分：预超分辨率模块、面部属性提取模块、全局特征编码器和增强型条件扩散隐式模型。具体而言，低分辨率图像先进行初步超分辨率和属性提取，随后通过自适应组归一化整合特征向量。此外，扩散模型中嵌入了残差卷积块以利用属性先验，并辅以自注意力机制和跳跃连接优化特征传输。在CelebA和FFHQ数据集上的实验表明，与SR3相比，所提模型在8倍放大倍率下PSNR提升2.16 dB，SSIM提升0.08，且生成图像纹理更真实。此外，手动调整属性向量可实现对生成结果的方向性控制（如修改面部特征或光照条件），确保与人体测量特征一致。本研究为高保真人脸超分辨率提供了一种灵活且稳健的解决方案，在细节保留和用户可控性方面具有显著优势。
Keyword:
face image super-resolution
diffusion model
face prior information
generative model
deep learning
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
Fine-grained activity classification in assembly based on multi-visual modalities基于多视觉模态的装配细粒度活动分类OAAI
.png){kind=icon}
OAAI分享收藏The Effects of Super-Resolution on Object Detection Performance in Satellite Imagery超分辨率对卫星图像目标检测性能的影响
OAAI
OAAI分享收藏Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network使用生成对抗网络实现逼真的单图像超分辨率OAAI
OAAI分享收藏
查看更多内容