基于单字典学习人脸图像超分辨率方法研究.pdfVIP

单张人脸通过单字典学习实现图像超分辨率

FelixJuefei-Xu和MariosSavvides

宾夕法尼亚州匹兹堡市卡内基梅隆大学，15213

以及其他人的方法[7,8,9,10]。这些方法引入了一种耦

在本项工作中，我们提出了一种基于单字典学习的单张合字典学习的范式，其中低分辨率字典和高分辨率字典

人脸图像超分辨率方法。所提出方法的思想是将超是联合学习的。通过强制低分辨率查询图像和高分辨率

分辨率任务重新定义为一个像素问题，其中低分辨恢复图像共享稀疏系数，耦合字典方法允许低分辨率和

率图像被视为其高分辨率对应图像在结构化方式下高分辨率图像之间存在一种隐式映射关系。然而，上述

许多像素的版本。因此，通过填充像素，仅需一个所有字典学习方法都需要学个字典对。对于一个原

子维度为d的低分辨率字典和一个原子维度为d的高

字典就足以恢复超分辨率后的图像。为了在将16×16LH

低分辨率图像超分辨率到64×64时填充93.75%的分辨率字典，最广泛采用的方法之一是将维度为

dL+dH的训练样本进行拼接，以学个联合字典，

像素，我们采用了一种基于整幅图像的单字典学习方案。

其中每个字典原子的维度为d+d，然后将该联合字

所方法可以轻松扩展到具有任意尺寸的低分辨率LH

输入图像，以及具有任意尺寸的高分辨率恢复图像。此典拆分为低分辨率和高分辨率字典。常见的字典学习方

法包括K‑SVD[11]。K‑SVD是一种基于贪婪迭代的`方法，

外，对于固定的期望超分辨率尺寸，当输入的低分辨率0

图像具有任意缩放因子时，无需重新训练字典。基于在其计算复杂度受到字典原子维度和需要学习的原子数量

FRGCver2数据库上进行的大规模保真度实验，我们提的显著影响。一个原子维度为d的过完备字典意味

出的方法在性能上优于其他成插值方法以及耦合字着需要学习Nd个原子。

典学习方法。

索引术语—Super‑Resolution,Dictionary在本项工作中，我们提出通过一种单字典学习方案

Learning,MissingPixelProblem来实现单幅图像超分辨率，从而无需在缩放因子发生变

化时重新训练新的耦合字典。这是通过将超分辨率任务

1.引言重新建模为像素问题来实现的，其中低分辨率图像

被视为高分辨率图像的对应版本，只不过以一种结构化

图像超分辨率旨在从低分辨率输入图像中恢复出高分辨

的方式了许多像素。图1展示了基于单字典学习的

率的表示。在文献中，解决这一问题主要有三个方向。

超分辨率方法的流程图。

第一，基于自相似性的方法。通过