基于GPU的三维人脸数据动态线性快速修复

基于CUDA和Open GL,根据三维人脸的深度与灰度数据构造三维点云模型,在更短的时间内显示具有逼真效果的三维人脸模型,并根据传统三维人脸点云显示对数据采集要求较高的缺陷,提出了一种用于修补低质量三维采集数据中出现的空洞现象的动态线性修复方法并使用GPU为算法进行了加速。该方法从人脸数据集中读取点云数据,逐行扫描寻找点云数据中出现的空洞并使用符合人脸本质特征的线性插值方式修补空洞。实验证明,该方法能得到远好于传统点云显示的效果,且经过GPU加速后显示效率得到大幅提高。     

边缘增强深层网络的图像超分辨率重建

目的 针对基于学习的图像超分辨率重建算法中存在边缘信息丢失、易产生视觉伪影等问题,提出一种基于边缘增强的深层网络模型用于图像的超分辨率重建。方法 本文算法首先利用预处理网络提取输入低分辨率图像的低级特征,然后将其分别输入到两路网络,其中一路网络通过卷积层级联的卷积网络得到高级特征,另一路网络通过卷积网络和与卷积网络成镜像结构的反卷积网络的级联实现图像边缘的重建。最后,利用支路连接将两路网络的结果进行融合,并将其结果通过一个卷积层从而得到最终重建的具有边缘增强效果的高分辨率图像。结果 以峰值信噪比（PSNR）和结构相似度（SSIM）作为评价指标来评价算法性能,在Set5、Set14和B100等常用测试集上放大3倍情况下进行实验,并且PSNR/SSIM指标分别取得了33.24 dB/0.9156、30.60 dB/0.852 1和28.45 dB/0.787 3的结果,相比其他方法有很大提升。结论 定量与定性的实验结果表明,基于边缘增强的深层网络的图像超分辨重建算法所重建的高分辨率图像不仅在重建图像边缘信息方面有较好的改善,同时也在客观评价和主观视觉上都有很大提高。