.png){kind=icon}
返回
Improved Face Image Super-Resolution Model Based on Generative Adversarial Network
.png){kind=icon}
OA
AI
DOI：10.3390/jimaging11050163.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于生成对抗网络（GAN）的图像超分辨率（SR）模型面临着人脸细节恢复不自然及局部模糊等问题。本文提出了一种改进的GAN模型来解决这些问题。首先，设计了一种多尺度混合注意力残差块（MHARB），通过双分支卷积和通道-空间注意力动态增强关键人脸区域的特征表示。其次，引入了边缘引导增强块（EEB），结合边缘掩码和通道注意力生成自适应细节残差，以准确恢复高频纹理。此外，开发了一种多尺度判别器，并采用加权子判别器损失来平衡全局结构生成质量和局部细节生成质量。另外，实现了分阶段训练策略，动态调整学习率（Lr）和损失函数权重，以提升超分辨率人脸图像的真实感。在CelebA-HQ数据集上的实验表明，所提出的模型达到23.35 dB的PSNR、0.7424的SSIM和24.86的LPIPS，优于经典模型，并在高频区域提供更优越的视觉质量。值得注意的是，该模型也超越了SwinIR模型（PSNR: 23.28 dB → 23.35 dB，SSIM: 0.7340 → 0.7424，LPIPS: 30.48 → 24.86），验证了改进模型和训练策略在保持人脸细节方面的有效性。
Keyword:
super-resolution
generative adversarial network
attention mechanism
residual module
期刊
J
IF:
3.3
论文数:
1.1K
被引数:
4.4K
机构
暂无机构信息
引用论文
HPG-GAN: High-Quality Prior-Guided Blind Face Restoration Generative Adversarial NetworkHPG-GAN：一种基于高质量先验引导的盲人脸修复生成对抗网络.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏分享收藏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