现有的人脸图像修复方法存在像素信息处理不准确、感受野有限和计算复杂度高等问题。为此,提出了一种基于门控卷积和大核卷积的人脸图像修复网络(gated convolution and large kernel convolution face image inpainting network,GCLKC-...现有的人脸图像修复方法存在像素信息处理不准确、感受野有限和计算复杂度高等问题。为此,提出了一种基于门控卷积和大核卷积的人脸图像修复网络(gated convolution and large kernel convolution face image inpainting network,GCLKC-Net)。采用门控编码器策略,提高像素信息处理的准确性;设计的大核卷积残差模块,在较小计算开销下能有效扩大感受野,并通过多尺度注意力前馈神经网络增强模型的鲁棒性。采用选择性核(selective kernel,SK)融合,将浅层特征与深层特征有效结合,通过对比正则化进一步提升修复性能。在高质量图像数据集CelebA-HQ和FFHQ以及低质量图像数据集LFW上进行实验。结果表明,GCLKC-Net能有效修复随机不规则大面积遮挡区域,生成结构合理、纹理细腻且语义丰富的人脸图像。展开更多
由于受到硬件条件的限制,通常难以获得具有高分辨率(HR)的遥感图像。利用单幅图像超分辨率(SISR)技术对低分辨率(LR)遥感图像进行超分辨率重建是获取高分辨率遥感图像的常用方法。近年来,在图像超分辨率领域引入的卷积神经网络(CNN)改...由于受到硬件条件的限制,通常难以获得具有高分辨率(HR)的遥感图像。利用单幅图像超分辨率(SISR)技术对低分辨率(LR)遥感图像进行超分辨率重建是获取高分辨率遥感图像的常用方法。近年来,在图像超分辨率领域引入的卷积神经网络(CNN)改进了图像重建性能。然而,现有的基于CNN的超分辨率模型通常使用低阶注意力机制提取深层特征,其表征能力有待提高,且常规卷积的感受野有限,缺乏对远距离依赖关系的学习。为了解决以上问题,提出了一种基于递归门控卷积的遥感图像超分辨率方法RGCSR。该方法引入递归门控卷积g n Conv学习全局依赖和局部细节,通过高阶空间交互来获取高阶特征。首先,使用由高阶交互子模块(HorBlock)和前馈神经网络(FFN)组成的高阶交互——前馈神经网络模块(HFB)提取高阶特征。其次,利用由通道注意力(CA)和g n Conv构建的特征优化模块(FOB)优化各个中间模块的输出特征。最后,在多个数据集上的对比结果表明,RGCSR比现有的基于CNN的超分辨率方法具备更好的重建性能和视觉效果。展开更多
文摘现有的人脸图像修复方法存在像素信息处理不准确、感受野有限和计算复杂度高等问题。为此,提出了一种基于门控卷积和大核卷积的人脸图像修复网络(gated convolution and large kernel convolution face image inpainting network,GCLKC-Net)。采用门控编码器策略,提高像素信息处理的准确性;设计的大核卷积残差模块,在较小计算开销下能有效扩大感受野,并通过多尺度注意力前馈神经网络增强模型的鲁棒性。采用选择性核(selective kernel,SK)融合,将浅层特征与深层特征有效结合,通过对比正则化进一步提升修复性能。在高质量图像数据集CelebA-HQ和FFHQ以及低质量图像数据集LFW上进行实验。结果表明,GCLKC-Net能有效修复随机不规则大面积遮挡区域,生成结构合理、纹理细腻且语义丰富的人脸图像。
文摘由于受到硬件条件的限制,通常难以获得具有高分辨率(HR)的遥感图像。利用单幅图像超分辨率(SISR)技术对低分辨率(LR)遥感图像进行超分辨率重建是获取高分辨率遥感图像的常用方法。近年来,在图像超分辨率领域引入的卷积神经网络(CNN)改进了图像重建性能。然而,现有的基于CNN的超分辨率模型通常使用低阶注意力机制提取深层特征,其表征能力有待提高,且常规卷积的感受野有限,缺乏对远距离依赖关系的学习。为了解决以上问题,提出了一种基于递归门控卷积的遥感图像超分辨率方法RGCSR。该方法引入递归门控卷积g n Conv学习全局依赖和局部细节,通过高阶空间交互来获取高阶特征。首先,使用由高阶交互子模块(HorBlock)和前馈神经网络(FFN)组成的高阶交互——前馈神经网络模块(HFB)提取高阶特征。其次,利用由通道注意力(CA)和g n Conv构建的特征优化模块(FOB)优化各个中间模块的输出特征。最后,在多个数据集上的对比结果表明,RGCSR比现有的基于CNN的超分辨率方法具备更好的重建性能和视觉效果。
