论文笔记——[CVPR 2020]Learning Spatial Attention for Face Super-Resolution

壁纸下载

论文笔记——[CVPR 2020]Learning Spatial Attention for Face Super-Resolution

7月 13, 2022 阅读 1947 字数 357 评论 0 喜欢 1

创新点：
①空间注意力机制
②加入鉴别器，可以让网络生成多尺度图像(SPARNetHD)

总体结构

主要由三个模块构成：

  • 降尺度模块
  • 特征提取模块
  • 升尺度模块

低分图像首先经过双线性插值提升到与输出图像大小相当，然后进入SPARNet网络来产生高分图像。

空间注意力机制(Face Attention Unit)

通过引入一个空间注意力分支，来单独学习空间注意力信息。

沙漏块(Hourglass Block)结构：

升降尺度模块

  • 下采样采用普通卷积，步长为2
  • 上采样采用最近邻上采样层

损失函数

  • Pixel loss: 采用L1范数的逐像素损失。
  • Adversarial loss:
  • Feature matching loss: 鉴别器的空间特征损失，用于稳定GAN的训练
  • Perceptual loss: 基于VGG19的感知损失，有助于约束人脸图像的高级语义

总损失

结果

发表评论

您的电子邮箱地址不会被公开。