基于生成对抗网络的人脸图像修复方法研究
人脸图像是人们十分重要的身份信息，然而在传输、保存以及后期处理过程中，常常会出现水印遮挡、污损、部分区域缺失等问题，为人们的日常生活带来许多不必要的麻烦。因此，研究如何有效的将残缺人脸图像恢复成原本的模样是非常具有现实意义的。现如今，生成对抗网络在图像修复任务上展现出巨大优势，本文将依托生成对抗网络深入研究人脸图像修复问题。 本文受到绘画创作的启发，将人脸图像修复任务解耦成边缘预测和人脸修复两个子任务。本文分析了当前诸多基于生成对抗网络的图像修复算法的局限性，对边缘预测模型和人脸修复模型进行改进，设计了一种基于边缘指导的人脸图像修复模型。本文主要工作以及创新点如下： （1）针对边缘预测网络进行改进。本文分析了边缘预测网络缺少多尺度特征的问题，采用Res2Net作为生成器的特征提取结构，这种多尺度特征的融合有利于改善模型的修复效果。另外，为边缘预测网络加入SENet通道注意力，使网络更专注于重要通道中的信息。 （2）针对人脸修复网络进行改进。本文分析了随着网络的加深而出现特征信息丢失的问题，对多层级特征联合的网络进行研究，在人脸修复网络中加入跳跃连接结构，结合浅层编码特征和深层特征。这种联合了高低层次的特征很大程度上保留了图像的纹理信息，有助于生成更加逼真的人脸图像。另外，采用Res2Net作为特征提取结构，为网络增加多尺度特征；在人脸修复模型中加入CBAM注意力，使网络更专注于特征图中的重要信息。 本文在CelebA-HQ人脸数据集上做了大量的对比实验并与其他经典算法进行对比，验证了新的网络结构对于人脸修复的有效性。本文不仅将修复结果进行主观视觉上的比对，还使用多项客观评估指标进行比较。通过多组对比实验可以验证，边缘信息对于指导人脸修复具有显著成效，Res2Net、跳跃连接、SENet和CBAM注意力对于改进模型性能也都发挥了积极作用，使得修复结果得到一定程度的提高。本文设计的人脸修复模型相比于其他相关模型，修复后的图像更接近原图像，因此取得了更佳效果。
人脸图像;图像修复;特征融合;生成对抗网络;注意力机制
哈尔滨理工大学
硕士
计算机技术
王小玉
2022
中文
TP391.41
2022-09-21（万方平台首次上网日期，不代表论文的发表时间）