人脸部图像的超分辨率重建技术又被称为人脸的幻生技术,是指通过某些特定的方法将压缩的低分辨率人脸图像放大到高分辨率的清晰人脸图像的技术,它能够补全图像^在超行_用^放分优,^大辨质_并针^过率的_取对^程重重_得多^中建建_了种^缺算,_以放因_下大^失法此_主倍^的并本_要率^面没文_的的^部有主_研人^细针要_究脸^节对研_成重^信人究_果建^息脸了,^重:,基_本^并建于_文^且进深_提^能行度_出^够特卷_了^消定积_一^除的神_种^图研经_基^像究网_于^中,也络_极^的不在_深^噪能人_卷^声对脸_积、^{大模放糊大等倍情率况的}_{超神分经辨网率络重的建人}。_上脸的超^传人统脸à?ì_应分^的进辨率重建方法。首先,使用了具有一个20个卷积层的神经网络,每一层网络都有着多个小的滤波器组成的卷积核,通过这些卷积核进行多次串联来学习低分辨率人脸图片和高分辨率人脸图片之间的某种映射关系。其次,使用残差学习的方法,使得网络只需学习图像重建过程中的细节信息,避免了训练中的梯度消失和梯度爆炸问题。在训练模型的时候把不同放大倍率的人脸图像加入到同一个训练集中,使得该模型可以有效地解决不同放大倍率的人脸重建问题。实验结果表明该极深卷积神经网络相较于传统的方法和简单的卷积网络重建方法有着显著的提升,在较大的放大倍率下也能有着较好的重建效果。上面的方法主要在实验室环境下的黑白人脸图片上进行了研究,为了进一步研究在更富杂的自然场景的彩色人脸的重建,针对更加细节的脸部信息,提出了一种包含注意力机制的金字塔结构的人脸超分辨率重建方法。首先,设计了一个逐层放大的金字塔亚像素上采样网络,每一次上采样网络都由三个残差模块组成,而每一个残差模块又是由一个20层的网络模块组成,每一个模块都加入了注意力机制。然后,将提取的特征逐层重建为高分辨率的图像,再与直接4倍上采样的图像进行跳跃连接,以一种类似残差学习的方法让模型学习重建过程中的残差信息。该网络是可以通过选择进行一次上采样或者两次上采样来实现两倍或者四倍的超分辨率人脸图像的重建。实验结果验证了该方法的有效性。