Paper
microsoft/Bringing-Old-Photos-Back-to-Life
《通过深度潜在空间变换恢复旧照片》
-
摘要
通过深度学习方法还原遭受严重退化的旧照片。提出一种利用真实照片和大量合成图像对的三重区域变换网络。即,训练两个变体自动编码器,将旧照片和干净照片分别转换到两个潜在空间。并使用合成的成对数据学习两个潜在空间的转换。由于区域间隙在紧凑的潜在空间中是闭合的,所以这种转换可以很好的推广到真实找。此外为了解决一张旧照片中混合的多种退化问题,设计的全局分支具有针对结构化缺陷(例如划痕和灰尘点)的非局部块,局部分支针对非结构化缺陷(例如噪声点和模糊度)。在潜在空间中融合了这两个分支,从而提高了从多个缺陷还原旧照片的能力。此外,还应用人脸优化网络来恢复旧照片中人脸的精细细节,从而最终生成具有曾倩感知质量的照片。
-
网络结构
-
潜在空间变换
r R → y = G y ∘ T Z ∘ E R ( r ) r_R \rightarrow y = G_y \circ T_Z \circ E_R(r) rR→y=Gy∘TZ∘ER(r)
r ∈ R , x ∈ X , y ∈ Y r \in R, x \in X, y \in Y r∈R,x∈X,y∈Y
E R : R → Z R , G R : Z R → R E_R:R \rightarrow Z_R, G_R: Z_R \rightarrow R ER:R→ZR,GR:ZR→R
E X : X → Z X , G X : Z X → X E_X:X \rightarrow Z_X, G_X: Z_X \rightarrow X EX:X→ZX,GX:ZX→X
E Y : Y → Z Y , G Y : Z Y → Y E_Y:Y \rightarrow Z_Y, G_Y: Z_Y \rightarrow Y EY:Y→ZY,GY:ZY→Y
z r ∈ Z R , z x ∈ Z X , z y ∈ Z Y z_r \in Z_R, z_x \in Z_X, z_y \in Z_Y zr∈ZR,zx∈ZX,zy∈ZY关系的合成
- VAE潜在空间中的域对齐
- 潜在映射
- VAE潜在空间中的域对齐
-
非局部模块
公式参数:- F:特征图
- m:值为0-1的二值图像
-
区域缺陷检测
区域缺陷检测是全局分支中非局部模块中输入指导掩码m的自动检测。
-
面部增强的渐进式生成器网络
-
合成数据产生方法
-
结果