您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201907-11
论文题目 改进的人脸超分辨率生成对抗网络
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

pdf文件:下载
* 上传模板导出的pdf论文文件(须含页眉)

tex文件:下载
* 上传模板编辑的tex文件

回复成功!


  • 0

Improved Face Super-Resolution GenerativeAdversarial Networks

首发时间:2019-07-05

WANG Mengxue 1   

Wang Mengxue(1994-), female, master candidate, major research direction: face super-resolution, low-resolution face recognition, deep learning, computer vision and machine learning

Zhenxue Chen 1   

Chen Zhenxue(1977-), male, professor, major research direction: image processing, pattern recognition, and computer vision, with application to face recognition

ZHOU Xinjie 2   
  • 1、School of Control Science and Engineering, Shandong University, Jinan 250061
  • 2、Shenzhen Research Institute of Shandong University, Shenzhen 518057

Abstract:The face super-resolution method is used for generating high-resolution images from low-resolution ones for better visualization. The Super-Resolution Generative Adversarial Network (SRGAN) can generate a single super-resolution image with realistic textures, which is a groundbreaking work. Based on SRGAN, we propose improved face super-resolution generative adversarial networks. The super-resolution image details generated by SRGAN usually have undesirable artifacts. To further improve visual quality, we delve into the key components of the SRGAN network architecture and improve each part to achieve a more powerful SRGAN. First, the SRGAN employs residual blocks as the core of the very deep generator network G. In this paper, we decide to employ Dense Convolutional Network blocks (Dense blocks), which connect each layer to every other layer in a feed-forward fashion as our very deep generator networks. Moreover, in the past few years, generative adversarial networks (GANs) have been applied to solve various problems. Despite its superior performance, however, it is difficult to train. A simple and effective regularization method called spectral normalization GAN (SNGAN) is used to solve this problem. We have experimentally confirmed that our proposed method is superior to the other existing method in training stability and visual improvements.

keywords: Face super-resolution GAN spectral normalization dense blocks

点击查看论文中文信息

改进的人脸超分辨率生成对抗网络

王梦雪 1   

Wang Mengxue(1994-), female, master candidate, major research direction: face super-resolution, low-resolution face recognition, deep learning, computer vision and machine learning

陈振学 1   

Chen Zhenxue(1977-), male, professor, major research direction: image processing, pattern recognition, and computer vision, with application to face recognition

周新洁 2   
  • 1、山东大学控制科学与工程学院,济南 250061
  • 2、山东大学深圳研究院,深圳,518057

摘要:人脸超分辨率方法用于从低分辨率图像生成高分辨率图像,以便更好地可视化。超分辨率生成对抗网络是一项具有开创性的工作,它可以生成具有逼真纹理的单个超分辨率图像。基于超分辨生成对抗网络,本文提出了改进的人脸超分辨率生成对抗网络。本文深入研究了超分辨生成对抗网络架构的关键组成部分,并对每个部分进行了改进,以实现更强大的超分辨生成对抗网络。首先,超分辨生成对抗网络使用残余块作为深度生成器网络的核心,本文决定采用密集卷积网络块(密集块)作为深度生成器网络。此外,尽管生成对抗网络性能优越,但难以训练。本文使用一种简单有效的正则化方法-谱归一化生成对抗网络来解决该问题。通过实验证实,本文提出的方法在训练稳定性和视觉改善方面优于其他现有方法。

关键词: 人脸超分辨 生成对抗网络 谱归一化 密集块

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
WANG Mengxue,Zhenxue Chen,ZHOU Xinjie. Improved Face Super-Resolution GenerativeAdversarial Networks[EB/OL]. Beijing:Sciencepaper Online[2019-07-05]. http://www.paper.edu.cn/releasepaper/content/201907-11.

No.****

同行评议

共计0人参与

评论

全部评论

0/1000

勘误表

改进的人脸超分辨率生成对抗网络