摘要
图像超分辨率是计算机视觉与图像处理领域的重要研究课题之一，在视频监控、医学影像、卫星图像等多个方面有着广泛应用。近年来，基于深度学习的单图超分辨率技术得到快速发展，但是为了不断提升高分辨率图像的重建效果，超分辨率方法的网络层数不断增加，使网络的参数量和计算量过高，导致这些方法难以应用于计算资源与存储资源有限的设备上。本文从控制超分辨率算法的计算量、参数量出发研究轻量级单图超分辨率算法，并将其应用于低分辨率人脸识别。本文主要完成了以下三个工作： 1）提出一种基于反投影网络的轻量级单图超分辨率方法。该方法在反投影网络的基础上改进迭代投影模块，提出更轻量的投影模块，加入全局的残差连接以降低网络学习难度，并在重建层中同时运用低分辨率与高分辨率空间的特征，降低反投影网络的参数量和计算量。实验表明，该方法能在网络复杂度和性能间达到较好的平衡。 2）提出一种基于知识蒸馏的轻量级单图超分辨率方法。该方法利用性能更好更复杂的教师模型来指导更小更简单的学生模型的训练，教师网络和学生网络都是基于改进的反投影超分辨率网络建立的，在像素空间进行从教师模型到学生超分辨率网络的知识传输，并利用课程学习的思想，学生网络的学习难度随着训练过程由易到难，在不增加学生模型的复杂度的情况下有效提升其超分辨率的性能。 3）将轻量级超分辨率方法应用于低分辨率人脸识别中，利用超分辨率网络将低分辨率人脸恢复到高分辨率空间，并将恢复出的高分辨率人脸图像和真实高分辨率人脸图像映射到同一特征空间中，加入身份特征损失函数来约束超分辨率网络学习人脸身份信息，解决现有人脸识别方法在低分辨率人脸上性能下降的问题。
NETL