[发明专利]低清图像重建超分辨率人脸图像的方法、系统及存储介质

说明书

本发明公开了一种低清图像重建超分辨率人脸图像的方法、系统及存储介质，包括：将低分辨率图像输入预训练渐进式生成对抗网络中，初始化隐编码和通道权重参数；将隐编码和通道权重输入预训练渐进式生成对抗网络的迭代单元，获得迭代的多重隐编码和通道权重；判断多重隐编码和通道权重的迭代次数是否大于预设的迭代次数阈值，基于输出的多重隐编码和通道权重生成的最终超分辨率的高清人脸图像。通过本发明将多重隐编码分组，并在预训练渐进式生成对抗网络不同的子网络结构下迭代优化，使得多重潜码学习不同层次的特征，提升了人脸超分图像的真实感，从而重建超分辨率人脸图像。

技术领域

本发明涉及人工智能领域，尤其是涉及一种低清图像重建超分辨率人脸图像的方法、系统及存储介质。

背景技术

近年来，随着信息化时代的不断发展人们越来越依靠互联网获取信息，据统计，一个人获得的信息有75％来自视觉，但高清图像数字化后的数据量非常大，在互联网传输大分辨率人脸图像时，为了为节省网络带宽与速率，从互联网上获取到的人脸图像是压缩传输后的低分辨率图像，严重影响用户获取人脸图像的五官、脸型等细节信息。由于人脸的特殊性，人脸的细节信息在压缩后往往很难恢复出细节，特别是针对大尺度的人脸超分辨率时，人脸的真实感和身份信息会产生失真，人脸超分辨对于人脸图像压缩方面能带来快速、安全和质量方面的提升，吸引了学术界和商业界越来越多的关注。

相比于高清人脸图像，低清人脸图像往往背景模糊、光照不均，包含更多噪声，且低清人脸特征中丢失了很多对人脸的细节信息，超分辨率后的图像往往对丢失很多人脸细节，甚至丢失原先人脸的身份特征，影响质量观感，直接使用常规人脸超分辨率算法得到的结果往往不佳，这极大影响了人脸超分辨率系统的性能。

一般来说，解决低清人脸超分辨率问题的方案可以分为两类。一种是有监督方法，该方法往往需要大数量的人脸图像对，每对图像包含一张高清人脸和对应的低清人脸，但现实中很难获取到真实的图像对，大多都是人工下采样产生的低清图像，这会使得学习出来的模型不能很好的适应真实场景下的图像退化问题，另一种是无监督方法，无监督方法利用预训练模型作为先验知识来指导生成低清图像，利用优化算法优化生成对抗网络的输入，在超低清的情况并不适用，且缺少面部细节，导致模型无法提取鉴别特征，因此目前该类方法取得的结果仍不是很理想。

发明内容

发明目的：为了克服现有技术中的不足，本发明提供一种低清图像重建超分辨率人脸图像的方法、系统及存储介质；通过本发明将多重隐编码分组，并在预训练渐进式生成对抗网络不同的子网络结构下迭代优化，使得多重潜码学习不同层次的特征，提升了人脸超分图像的真实感，引入人脸识别网络身份保持损失，约束了身份特征尽可能不变，引入了对多重潜码对应的中间特征的解耦，使得对每个潜码语义解耦，利用预训练渐进式生成对抗网络和人脸识别网络重建超分辨率人脸图像。

技术方案：第一方面本发明提供种一种低清图像重建超分辨率人脸图像的方法，包括：

将低分辨率图像输入预训练渐进式生成对抗网络中，获得隐编码、通道权重；其中，预训练渐进式生成对抗网络的参数权重由大数据量高清人脸数据训练得到；

将隐编码和通道权重输入预训练渐进式生成对抗网络的迭代单元，获得迭代的多重隐编码和通道权重；

判断多重隐编码和通道权重的迭代次数是否大于预设的迭代次数阈值，将大于预设的迭代次数阈值的多重隐编码和通道权重输出；

基于输出的多重隐编码和通道权重生成的最终超分辨率的高清人脸图像。

在进一步的实施例中，所述预训练渐进式生成对抗网络中预设有迭代次数阈值和高斯随机初始化参数。

在进一步的实施例中，将隐编码和通道权重输入预训练渐进式生成对抗网络的迭代单元，获得迭代的多重隐编码和通道权重的方法包括：