基于改进SRGAN模型的人脸图像超分辨率重建

摘要：

传统生成对抗网络模型重建人脸图像时出现过多失真,难以在减少失真的情况下有效提高人脸图像真实感.针对该问题,在生成对抗网络SRGAN模型的基础上,提出一种改进的人脸图像超分辨率重建方法.为提高重建像素点与周围像素点的相关性,将双注意力机制模块嵌入到SRGAN模型的生成器和判别器中,在空间域和通道域中获取更精准的特征依赖关系.同时应用自适应激活函数ACON取代原SRGAN网络中的激活函数,通过动态学习ACON激活函数参数为每个神经元设计不同激活形式,从而提高网络特征表达能力.使用改进SRGAN的人脸图像超分辨率重建算法在CelebA测试集上进行重建实验,结果表明:该算法较原算法PSNR值提高0.675 dB,SSIM值提高0.016,LPIPS值优化0.036,有效减少了重建人脸图像中眼睛等重点部位的失真情况;与其他非生成对抗网络的主流算法相比,LPIPS值最低优化0.107,最高优化0.205,有效提高了重建人脸图像的真实感.

关键词：超分辨率重建、生成对抗网络、注意力机制、自适应激活函数、特征提取

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：中国人民公安大学基本科研业务费重点项目2021JKF205

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：199-205