图神经网络回归的人脸超分辨率重建

人脸超分辨率（super-resolution,SR）即将输入模糊的低分辨率（low-resolution,LR）人脸图像通过一系列算法处理得到较为清晰的高分辨率（high-resolution,HR）人脸图像的过程．相比自然图像,不同人脸图像的相同位置通常具有相似的结构．本文针对人脸图像的局部结构一致性特点,提出一种新的基于图结构的人脸超分辨率神经网络回归方法．将输入低分辨率图像表示为图结构,进而为图结构中每一个结点的局部表示训练一个浅层神经网络进行超分辨率回归．相比基于规则矩形网格的方法,图结构在描述一个像素的局部信息时,不仅考虑到图像坐标的相关性,同时关注了纹理的相似性,能更好表达图像局部特征．训练过程中,利用已收敛的相邻结点的神经网络参数初始化当前结点的神经网络参数,不仅加快神经网络的收敛速度,而且提高了预测精度．与包括深度卷积神经网络在内的基于学习的超分辨率最新算法比较实验表明,本文提出的算法取得了更高的准确率．本文提出的图神经网络（Graph Neural Networks,GNN）并不局限于解决人脸超分辨率问题,它还可以用于处理其它具有不规则拓扑结构的数据,解决不同的问题．