申请/专利权人：北京大学深圳研究生院

申请日：2022-02-21

公开（公告）日：2024-04-26

公开（公告）号：CN114511466B

主分类号：G06T5/77

分类号：G06T5/77;G06T5/60;G06N3/0464;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.06.03#实质审查的生效;2022.05.17#公开

摘要：本发明公开了一种基于生成对抗网络先验的盲人脸图像复原方法，包括生成对抗网络先验模块、图像特征提取模块、基于无监督学习退化表征策略的退化表征编码模块、退化感知特征插值模块。生成对抗网络先验模块，用于从初始特征图通过针对人脸预训练好的生成对抗网络生成不同尺度的中间特征图，从而合成更真实的人脸结构和细节；图像特征提取模块，用于从原始退化图像提取出不同尺度的特征图；退化表征编码模块，根据是否使用不同退化函数构造正负样本，从而实现在无监督情况下提取出图像在不同退化程度下的退化表征；退化感知特征插值模块，用于融合图像特征提取模块每一层提取到的特征图和生成对抗网络先验模块每一层得到的特征图。本发明可以自适应学习图像的不同退化程度，实现从不同程度的多种未知退化下的低质量人脸图像复原出身份一致，细节清晰的高质量人脸图像。

主权项：1.一种基于生成对抗网络先验的盲人脸图像复原方法，其特征在于，包括以下步骤：步骤S1、构造训练数据集：采用包含高斯模糊、下采样、高斯噪声和JPEG压缩的退化函数来尽可能拟合真实世界的退化，训练过程中随机选择不同的退化参数；训练数据集有多个数据对，每个数据对由高质量人脸图像和对应的退化图像组成；步骤S2、基于无监督学习退化表征策略训练退化表征编码模块：不同的图像经过同一个退化函数得到的退化图像互为正样本，经过其他退化函数得到的退化图像均为负样本；同时采用对比损失训练退化表征编码模块，使得正样本之间的退化表征尽可能接近，负样本之间的退化表征尽可能区分开；步骤S3、构造基于生成对抗网络先验的盲人脸图像复原模型：模型由生成对抗网络先验模块、图像特征提取模块、退化表征编码模块、退化感知特征插值模块组成，主要是将退化图像蕴含的结构信息和生成网络先验预测的细节信息自适应地进行融合，从而使得生成的高质量人脸图像不仅保持了身份信息，还能够具有更清晰的纹理细节；步骤S4、训练基于生成对抗网络先验的盲人脸图像复原模型：在训练时，基于上述训练数据集，给定损失函数，使用反向传播和梯度下降算法不断优化模型中的参数，直至损失函数值稳定；步骤S5、采用训练好的基于生成对抗网络先验的盲人脸图像复原模型进行图像复原：选取通用的数据集作为测试，用前面提到的退化函数进行相同处理后得到的低质量人脸作为模型的输入，输出复原后的高质量人脸图像。

全文数据：

权利要求：

百度查询： 北京大学深圳研究生院 一种基于生成对抗网络先验的盲人脸图像复原方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD