[論文レビュー] Progressive Face Super-Resolution via Attention to Facial Landmark

Deokyun Kim, Minseon Kim+2 more|arXiv (Cornell University)|Aug 22, 2019

Advanced Image Processing Techniques参考文献 25被引用数 93

ひとこと要約

8x 얼굴 초해상도에 대한 점진적 학습 프레임워크를 도입하고, 얼굴 랜드마크 주의와 증류된 FAN을 활용하여 지각적 및 구조적 충실도를 향상시킵니다.

ABSTRACT

Face Super-Resolution (SR) is a subfield of the SR domain that specifically targets the reconstruction of face images. The main challenge of face SR is to restore essential facial features without distortion. We propose a novel face SR method that generates photo-realistic 8x super-resolved face images with fully retained facial details. To that end, we adopt a progressive training method, which allows stable training by splitting the network into successive steps, each producing output with a progressively higher resolution. We also propose a novel facial attention loss and apply it at each step to focus on restoring facial attributes in greater details by multiplying the pixel difference and heatmap values. Lastly, we propose a compressed version of the state-of-the-art face alignment network (FAN) for landmark heatmap extraction. With the proposed FAN, we can extract the heatmaps suitable for face SR and also reduce the overall training time. Experimental results verify that our method outperforms state-of-the-art methods in both qualitative and quantitative measurements, especially in perceptual quality.

研究の動機と目的

• 외부 사전 지식에 의존하지 않고 얼굴 속성 보존이 가능한 고충실도 얼굴 SR을 목표로 한다.
• 단계별로 생성기와 판별기를 확장하는 안정적인 진행적 학습 체계를 개발한다.
• 얼굴 랜드마크 근처의 세부 정보를 강조하기 위한 얼굴 주의 손실을 도입한다.
• SR용으로 효과적인 랜드마크 히트맵을 생성하기 위해 경량화된 FAN을 증류한다.
• 방법이 지각 품질 및 효율성 측면에서 최첨단보다 우수하다는 것을 보여준다.

提案手法

• 2x, 2x, 2x의 단계적 SR 네트워크를 도입하여 총 8x 업스케일링을 달성하고 단계적 융합과 선형 증가하는 알파 가중치를 적용한다.
• 랜드마크 히트맵 값으로 픽셀 단위 오차를 곱해 랜드마크 주변의 복원을 집중시키는 얼굴 주의 손실을 제안한다.
• 힌트 기반 학습을 통해 SR 지향 랜드마크 히트맵을 생성하는 컴팩트한 FAN을 증류하고 비교 가능한 정확도를 달성한다.
• 후기 단계에서 픽셀, 지각적 및 WGAN-GP 손실과 더불어 히트맵 및 주의 손실을 결합하여 학습한다.
• 과도한 사전 지식 없이 SR을 안내하기 위한 증류된 FAN 히트맵을 주의 가중치로 활용한다.

実験結果

リサーチクエスチョン

• RQ1 진행적 학습이 8x 얼굴 SR의 안정성 및 품질을 향상시킬 수 있는가?
• RQ2 주요 영역에서 얼굴 특성의 보존을 향상시키기 위해 랜드마크 중심의 주의를 도입하는 것이 효과적인가?
• RQ3 증류된 FAN이 SR 작업에 충분한 효과적인 랜드마크 히트맵을 제공하는가?
• RQ4 지각적, 적대적, 히트맵 및 주의 손실이 SR 결과를 개선하는 방식은 무엇인가?

主な発見

• 방법은 얼굴 세부를 유지하고 지각적 품질이 높은 8x SR을 달성합니다.
• 증류된 FAN은 원래 FAN에 비해 훨씬 적은 매개변수로 비교 가능한 랜드마크 히트맵을 제공합니다.
• 얼굴 주의 손실은 ablations보다 PSNR, SSIM, MS-SSIM을 향상시킵니다.
• 진행적 학습은 비진행적 학습보다 얼굴 세부 보존을 개선합니다.
• MOS 테스트에서 지각적으로 경쟁 방법보다 우수한 결과를 나타냅니다.