基于稀疏表示模型的人脸超分辨率研究

针对当前人脸超分辨率重建过程中存在的重建系数不一致导致误差的问题，结合稀疏表示模型，提出或扩展了一系列新的基于稀疏表示模型的人脸超分辨率算法，提高了稀疏表示准确性，改进了高低分辨率重建系数的一致性，最终改善了重建结果人脸图像的主客观质量。具体包括三方面的工作：第一，从学习字典的训练方法出发，结合稀疏性和近邻性特征优势，构建图约束正则项，提高字典表达能力，进而改善基于稀疏表示模型的人脸超分辨率算法性能。第二，从高低分辨率重建系数的映射方法出发，对高低分辨率重建系数的误差进行建模，提出在基于稀疏表示的超分辨率算法中引入稀疏编码噪声抑制正则项，改进高低分辨率重建系数的一致性，提高算法的噪声鲁棒性。第三，针对光照对单一像素相似性度量准则影响较大的问题，在稀疏表示相似性度量准则中引入自商图，构建多形态稀疏表示模型，提高算法对光照鲁棒性。

前言
第1章 人脸超分辨率的基础知识
1.1 概述
1.2 人脸超分辨率的主要算法
1.2.1 全局脸算法
1.2.2 局部脸算法
1.2.3 结合全局和局部脸算法
1.2.4 稀疏表示图像超分辨率
1.3 现有算法存在的问题
1.4 基于稀疏表示模型的人脸超分辨率研究框架
第2章 基于K近邻稀疏编码均值约束的人脸超分辨率算法
2.1 概述
2.2 图像超分辨率的稀疏表示模型
2.2.1 图像的稀疏表示
2.2.2 图像超分辨率重建
2.3 K近邻稀疏编码均值约束鲁棒人脸超分辨率算法
2.3.1 基于位置块的冗余字典学习算法
2.3.2 K近邻稀疏编码均值约束项构建
2.3.3 正则化参数
2.3.4 目标函数优化
2.4 实验结果及分析
2.4.1 CAS-PEAL-R1库简介
2.4.2 算法参数设置
2.4.3 不同算法主客观对比结果
2.4.4 算法噪声鲁棒性测试
2.5 本章小结
第3章 基于高维图约束稀疏编码的人脸超分辨率算法
3.1 概述
3.2 图约束稀疏编码
3.2.1 图的构建
3.2.2 图约束正则项
3.3 高维图约束一致性人脸超分辨率算法
3.3.1 符号定义及问题提出
3.3.2 高维图约束子字典对学习
3.3.3 高分辨率人脸图像重建
3.4 高维图约束稀疏编码的有效性分析
3.5 实验结果及分析
3.5.1 人脸库简介
3.5.2 算法参数分析
3.5.3 不同算法的主客观结果
3.5.4 实际场景人脸图像重建结果
3.5.5 讨论
3.6 本章小结
第4章 基于多形态稀疏表示的人脸超分辨率算法
4.1 概述
4.2 人脸的多形态稀疏表示模型
4.2.1 多形态稀疏表示模型
4.2.2 MCA图像分解
4.3 基于多形态稀疏表示的人脸超分辨率算法框架
4.3.1 符号定义及问题提出
4.3.2 多成分字典学习
4.3.3 高分辨率人脸的重建
4.4 实验结果及分析
4.4.1 人脸数据库集
4.4.2 参数设置
4.4.3 四种参照算法结果比较
4.5 本章小结
第5章 基于稀疏卷积神经网络的人脸超分辨率算法
5.1 概述
5.2 相关研究
5.2.1 卷积神经网络
5.2.2 稀疏卷积神经网络
5.2.3 基于深度卷积神经网络的超分辨率算法
5.3 基于稀疏卷积神经网络的人脸超分辨率算法框架
5.3.1 问题定义
5.3.2 特征提取
5.3.3 网络训练
5.3.4 超分辨率重建
5.4 实验结果及分析
5.4.1 主观结果
5.4.2 客观结果
5.5 本章小结
参考文献