王得兰,周金和,杜康宁,郭亚男,张 帆

(1.北京信息科技大学 信息与通信工程学院，北京 100101；2.北京信息科技大学 光电测试技术及仪器教育部重点实验室，北京 100101)

0 引言

人脸超分辨率重建技术又称人脸超分(face super-resolution,FSR)，近年来引起了计算机视觉界的广泛关注。FSR的目的是通过软件技术从低分辨率人脸图像中恢复出高频细节，重建高分辨率的人脸图像。在医学成像、安全监控和遥感图像处理等视频监控和面部增强领域的现实应用中起着重要的作用。经典的图像超分辨率方法可分为两大类：基于重构的方法[1]与基于学习的方法[2]。基于学习的方法通过构建高、低分辨率图像样本库，利用机器学习理论自主学习高、低分辨率样本之间的映射关系，重建性能高于其他方法，已成为超分辨率重建的主流方法。

随着计算机处理能力的突飞猛进，在基于学习的方法中，基于卷积神经网络的超分辨率算法[3](super-resolution convolutional neural network,SRCNN)获得了极大的发展。但是，SRCNN的网络层数较少，只能提取浅层信息，而直接增加层数则会增加训练难度。因此，He等[4]提出残差结构(residual network,ResNet)算法，学习图像的高频特征。不久后，Kim等[5]将残差结构应用于CNN中，将网络深度扩展到20层提取深层特征，减轻模型运算量的同时可以学习图像的高频细节，重建高质量图像。

人脸超分辨率重建是单图像超分辨率重建(single image super-resolution,SISR)任务中的一个特例。但是与SISR相比，FSR不需考虑背景、场景，而只集中考虑人脸部分，可以获得众多人脸相关的结构化先验信息。因此，利用特定的人脸先验信息，生成全局和局部的人脸细节信息是一种非常流行且颇有前景的方法。……