论文阅读：WaveFace: Authentic Face Restoration with Efficient Frequency Recovery

最新推荐文章于 2025-08-10 21:16:43 发布
最新推荐文章于 2025-08-10 21:16:43 发布
阅读量1.7k 收藏 40
点赞数 43
CC 4.0 BY-SA版权
分类专栏： 论文精读 文章标签： 论文阅读 人工智能 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_49641282/article/details/143115222

WaveFace:利用高效频率恢复技术进行真实面部修复

问题

  • 扩散模型很强大，但是有两个问题：1)训练和推理速度慢;2)无法保留身份和恢复细致的面部细节。

思路

  • 提出了WaveFace ，把BFR任务由像素域转化为频域，把图片通过小波变换分解的低频和高频成分被单独考虑，低频包含人脸结构等一般信息，高频包含丰富的细节信息。
  • 扩散模型仅用于恢复低频分量，大小仅为原始图像的1/16（加速）
  • 为了预先识别原始图像，在每个去噪步骤中都以低质量图像的低频分量为生成条件。（保留身份识别）
  • 同时，多级分解的高频分量由一个统一的网络来处理，可在单次处理中恢复复杂的面部细节。

背景知识

离散小波变换（DWT）

具体方法

请添加图片描述
整体结构如图2 所示，先通过离散小波变换(DWT)将退化图像分解为低频和高频两部分。低频去噪模块(LCD)和高频恢复模块(HFR)分别用于消除低频和高频成分的退化并恢复面部细节。恢复后的频率分量用于图像重建。

低频模块

低频分量与原始图像的下采样版本相似，这在很大程度上决定了恢复质量。由于 LCD 具有强大的噪声输入生成能力，因此采用扩散模型 (DM) 来恢复高质量 (HQ) 图像的低频子带。

条件扩散模型

我们将一对 LQ 和 HQ 图像的低频子带表示为 (xll0j,yll0j)(x^j_{ll_0} , y^j_{ll_0} )(xll0​j​,yll0​j​) 。

请添加图片描述
根据等式 (5) 中定义的扩散过程，随着时间步长 t 的增加，图像会逐渐被高斯噪声破坏，这意味着在较大的时间步长 T 之后，分布 q(xT∣x0)≈q(yT∣y0)≈N(0,I)q(x_T |x_0) ≈ q(y_T |y_0) ≈ \mathcal{N} (0, I)q(xT​∣x0​)≈q(yT​∣y0​)≈N(0,I) 。基于此假设，我们的 LCD 旨在学习后验分布 p(y0∣x0)p(y_0|x_0)p(y0​∣x0​

最低0.47元/天 解锁文章

200万优质内容无限畅学
CVPR 2024 人脸方向总汇（人脸识别、头像重建、人脸合成和3D头像等）
qq_36812406的博客
01-21 1559
人脸识别、头像重建、人脸合成和3D头像等
ICCV2017论文摘要汇总
super_chicken的博客
04-18 7071
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
【图像融合】基于matlab主成分结合小波离散变换PCA-DWT三张图像融合【含Matlab源码 2199期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
10-30 2381
主成分结合小波离散变换PCA-DWT三张图像融合 完整代码，直接运行，适合小白！可提供运行操作视频！
MATLAB数字图像处理练习三
weixin_55333113的博客
01-14 917
一、小波分解与重构 二、提取小波系数 三、小波图像去噪 四、基于小波的图像融合 对一幅图进行小波分解与小波重构，并计算重构误差。 MATLAB图像处理工具箱中提供了wavedec2函数和waverec2函数来进行多层二维离散小波分解与重构。 先对一幅图进行小波分解；然后采用appcoef2函数提取第1层和第2层近似系数，并用图像显示； 对一幅图像添加噪声，然后利用小波变换对其去噪。 将如下人脸图像(图1)和面具图像(图2)分别进行小波分解，将分解后的低频分量和高频分量分别叠加，然后利用叠加后的高频分量和
【论文阅读】人脸修复(face restoration ) 不同先验代表算法整理
一个CV小白的博客
05-17 1587
转眼做人脸复原(face restoration)算法也一段时间了，根据自己的记忆整理一下自己的一些看法，算作个人记录，当然如果有人愿意分享自己的看法也是极好的。先挂下文章链接，下一篇在写总结。
CVPR2024｜底层视觉(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总（附论文链接/开源代码/解析）【持续更新】
Kobaayyy的博客
02-27 1万+
整理汇总下今年CVPR底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务
CVPR 2011 全部论文标题和摘要
3D Vision
09-21 1万+
CVPR 2011 Tian, Yuandong; Narasimhan, Srinivasa G.; , ■Rectification and 3D reconstruction of curved document images,■ Computer Vision and
插件8：拼写检查
热门推荐
dearbaba_1666的博客
06-27 15万+
<?php // Plug-in 8: Spell Check // This is an executable example with additional code supplie
乔布斯传中的英文词频统计
yujiaao的专栏
09-30 3万+
0: 1 0.9: 1 0006939: 1 03.html: 1 1: 49 1,000: 9 1,200: 1 1,299: 1 1,300: 1 1,500: 3 1,995: 3 1-866-248-3049: 1 1.0: 4 1.04: 1 1.2: 3 1.3: 2 1.5: 1 1.7: 2 1.79: 1 1.8-inch: 3 10: 6...
GFPGAN论文——Towards Real-World Blind Face Restoration with Generative Facial Prior
qq_50465499的博客
08-27 1441
GFPGAN论文——Towards Real-World Blind Face Restoration with Generative Facial Prior
better-authentic:Webmin Authentic 主题的改进版本
06-03
＃＃内容 ##关于正品是 基于主题的和是与爱让。... 主题使用最新版本的相关软件（如上所述）运行，支持所有内置模块（甚至是古老的模块）和第三方模块，包括ConfigServer Security & Firewall 。 ＃＃＃＃原则 ...
最新论文笔记(+22)：Anonymous and Efficient Authentication Scheme for Privacy-Preserving DL / TIFS2022
cryptocxf的博客
10-14 2323
摘要：在分布式学习（Distributed Learning，DL）中，敌手能够通过分析中间参数（传输的模型）来推断出原始数据。目前的解决方案，主要依赖于差分隐私、加密技术（同态加密、安全多方计算）。但差分隐私会降低数据效用，而加密技术的操作是有限的，以及计算和通信成本很高。本文提出了一种不降低数据效用的前提下，解决隐私问题和匿名认证问题。而且可以结合数据投毒攻击和搭便车攻击的检测方法，更适用于分布式场景。因此，设计了一个基于配对的无证书签名方案，进一步提出了支持动态批量验证的匿名高效认证协议。
【论文阅读】Deep Adversarial Multi-view Clustering Network
最新发布
dundunmm的博客
08-10 1058
【摘要】本文提出深度对抗多视图聚类(DAMC)网络，通过深度自编码器学习多视图数据的共享潜在表示，并引入对抗训练优化数据分布。模型包含多视图编码器、生成器、判别器和聚类层，结合自编码器损失、对抗损失和基于KL散度的聚类损失进行优化。实验表明，该方法在图像和文本数据集上优于现有多视图聚类算法，能有效处理复杂数据的非线性特性。主要创新点包括：1)深度网络建模视图间非线性相关性；2)视图专属判别器解耦潜在空间；3)聚类损失优化公共表示。
[论文阅读] 人工智能 + 软件工程 | LLM协作新突破：用多智能体强化学习实现高效协同——解析MAGRPO算法
张较瘦
08-08 1030
本文解析了论文《LLM Collaboration With Multi-Agent Reinforcement Learning》的核心内容。针对当前LLM协作中存在的“各自为战”“奖励设计复杂”等问题，研究者将LLM协作建模为合作式多智能体强化学习问题，提出MAGRPO算法，通过集中式训练优化协作策略、去中心化执行保证效率。实验表明，该方法在写作（摘要生成、论文扩展）和编码（函数协作）任务中，较现有方法在质量和效率上均有显著提升，为LLM协同工作开辟了新路径。
[论文阅读] 人工智能 + 软件工程 | 大型语言模型对决传统方法：多语言漏洞修复能力大比拼
张较瘦
08-10 434
本文是对论文《On the Evaluation of Large Language Models in Multilingual Vulnerability Repair》的解读。随着软件漏洞数量激增且涉及多编程语言，传统修复工具局限于特定语言的问题日益突出。论文通过大规模实验，对比了传统自动修复工具、预训练模型和大型语言模型（LLMs）在7种语言中的漏洞修复能力。结果显示，GPT-4o在特定策略下表现接近传统最佳工具VulMaster，且在修复独特漏洞、危险漏洞和未见过的语言漏洞上更具优势。研究证明了L
No time to train! Training-Free Reference-Based Instance Segmentation之论文阅读
qq_41627642的博客
08-08 601
图像分割模型的性能历来受到大规模标注数据收集成本高昂的制约。Segment Anything Model（SAM）通过一种可提示、与语义无关的分割范式缓解了这一根本问题，但在处理新图像时，仍然需要手动提供视觉提示或依赖复杂的领域相关提示生成规则。为减轻这一新负担，我们的工作研究了一种在仅提供少量参考图像条件下的物体分割任务。我们的关键洞见是：利用基础模型所学习的强大语义先验，在参考图像与目标图像之间识别对应区域。
论文阅读：Aircraft Trajectory Prediction Based on Residual Recurrent Neural Networks
m0_65972338的博客
08-10 279
本文提出了一种基于残差递归神经网络(RESRNN)的无动力飞行器轨迹预测方法。针对传统方法需要大量先验参数和现有机器学习方法精度不足的问题，创新性地将残差神经网络(RESNET)与循环神经网络(RNN)相结合，有效解决了网络退化问题并提高了预测精度。为解决训练样本不足的难题，文中还提出基于微分动力学的样本生成方法。实验结果表明，该算法在预测精度上优于现有基线方法，为复杂机动目标的轨迹预测提供了有效解决方案。未来研究将聚焦于算法的时间优化。
【论文笔记】AGENTS’ ROOM: NARRATIVE GENERATION THROUGH MULTI-STEP COLLABORATION
AustinCyy的博客
08-09 860
协作优于单一模型：将复杂任务分解并由专业代理协作完成，比单一模型一次性生成更有效。结构化优于自由生成：基于叙事理论的结构化生成，比自由生成更能保证故事质量。人类评估仍是金标准：尽管自动化评估取得进展，但人类对故事质量的判断仍是不可替代的。这一研究为创意写作辅助系统、教育工具和娱乐内容生成等领域提供了重要的技术基础和理论指导。
[论文阅读] 人工智能 + 软件工程 | 大型语言模型与静态代码分析工具：漏洞检测能力大比拼
张较瘦
08-07 746
本文聚焦论文《Large Language Models Versus Static Code Analysis Tools: A Systematic Benchmark for Vulnerability Detection》，该研究通过10个真实C#项目（含63个漏洞），对比了3种静态代码分析工具与3种大型语言模型（LLMs）的漏洞检测能力。结果显示，LLMs的平均F1分数（0.750-0.797）显著高于静态工具（0.260-0.546），但存在误报率高、定位不精确等问题。研究建议采用混合流程：开发
Authentic-Weather: 实时Web天气展示与API交互
资源摘要信息:Authentic-Weather是一个基于Web的应用程序，主要功能是提供当前的天气描述。该应用程序使用了HTML、CSS和JavaScript技术进行开发，并且依赖于外部天气API来获取天气数据。API通常基于REST架构风格，即...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值