基于多尺度先验字典与区域对比正则化的面部超分辨率增强方法（PDCR-SR）

本文提出PDCR-SR方法，通过多尺度先验字典（MSPD）融合全局结构与局部细节特征，并结合区域特异性对比正则化（RSCR）模块提升皮肤及五官区域的纹理真实感。该方法在合成与真实低分辨率人脸图像上均表现出优越的重建性能，为面部超分辨率（FSR）技术提供了创新性解决方案。

　　

Highlight

面部超分辨率（FSR）作为人脸复原的关键分支，近年来取得了显著突破。例如，Wavelet-SR²³提出基于CNN的小波变换网络，通过预测输入图像的小波系数以捕捉更多面部细节；DPDFN²⁴则构建两个独立分支，分别学习全局与局部人脸信息。注意力机制在图像重建中扮演关键角色。

Overview

本节介绍提出的PDCR-SR模型。如图1所示，低分辨率人脸图像首先通过生成器生成初步高细节面部图像。该生成器包含多尺度先验字典（MSPD），用于在多个尺度上匹配并整合高质量面部特征与输入图像。随后，生成图像被送入判别器进行图像质量评估，以指导模型训练。

Training dataset

FFHQ⁴⁵是面部超分辨率中最常用的数据集，包含70,000张分辨率为1024×1024的高质量人脸图像，且图像经过裁剪和水平对齐。我们使用双三次插值法将其降采样至512×512，再通过两阶段退化模型生成低分辨率-高分辨率（LR-HR）训练对。

Test dataset

测试数据分为两类：合成数据集与真实人脸数据集。

(a) 对于合成数据集，我们从FFHQ中选取5000张图像……

Conclusion

本研究提出的PDCR-SR模型通过整合多尺度先验字典与区域特异性对比正则化，显著提升了低分辨率人脸图像的质量。具体而言，多尺度先验字典有效融合了全局结构信息与精细局部细节，而区域特异性对比正则化则在训练过程中增强了关键面部区域的真实感与一致性。实验结果表明……