通过加权自适应稀疏正则化实现面部幻觉

基于稀疏表示的幻觉方法到目前为止,建议使用固定的1范数惩罚来捕获人脸图像的稀疏性质,因此很难适应基础图像的统计变异性。 另外,他们忽略测试图像之间的空间距离的影响以及基于最佳重建系数的训练基础图像。 因此,它们不能提供令人满意的性能。 实际的幻觉应用。 在本文中,我们提出加权自适应稀疏正则化(WASR)方法提高面部幻觉的准确性,稳定性和鲁棒性重建,其中距离感应加权q 对解决方案施加标准惩罚。 随着调整收缩参数q,加权q罚函数启用稀疏域中的弹性描述能力,导致更多保守稀疏性按q的升序排列。 特别是, 最佳q> 1的WASR可以合理地表示嘈杂图像的稀疏性质,因此明显增加了噪点面部幻觉表现强劲。 各种实验标准人脸数据库以及真实图像上的结果表明我们提出的方法优于最新技术客观指标和视觉质量方面的方法。