文 献 综 述
摘要 如何提高人脸图像分辨率是计算机人脸研究中一个亟待解决的关键问题。针对人脸检测与识别的需求，人脸图像超分辨率应运而生。它是图像超分辨率技术在人脸图像上的特殊应用。基于学习的人脸超分辨率技术，也就是通常所说的幻觉脸(Face hallucination)技术利用了图像本身的先验知识，在不增加输入图像样本数量的情况下，仍能产生新的高频细节，获得比基于重建的算法更好的复原结果，并能够较好地运用于人脸和文字等图像的复原。本文将简要对人脸超分辨率技术一些国内外相关工作与研究进展进行综述。
关键词 基于学习的超分辨率 人脸超分辨率 人脸重建
1.引言
人脸一直是模式识别、计算机视觉和计算机图形学中的一个重要研究对象。在视频监控、影视片段或证件照上提供的人脸图像通常分辨率较低，这给后续的人脸检测、人脸跟踪、人脸识别以及人脸表情分析等工作带来了很大的阻碍。因此，如何提高人脸图像分辨率也就成为计算机人脸研究中一个亟待解决的关键问题。针对人脸检测与识别的需求，人脸图像超分辨率应运而生。它是图像超分辨率技术在人脸图像上的特殊应用。
2. 人脸图像超分辨技术相关研究
2.1人脸图像超分辨技术
目前已有的超分辨率重建算法主要有基于重建的方法和基于学习的方法两类。
基于重建的超分辨率技术是比较传统的方法，它又可以分成两类：单帧图像插值技术和多帧图像超分辨率技术[1-2]。但无论是哪种插值技术都是将图像超分辨率问题看成是找回图像采样过程中丢失的样本信息并通过插值将其进行还原。一般在输入图像本身分辨率较高的情况下能够有较好的输出结果，但是当输入的图像分辨率较低或者提高放大的倍数事，这种方法的性能也会下降很快，出现如图像细节丢失，边缘模糊、锯齿状明显等问题，通常并不能很好地重构出图像的高频信息[3]。
而基于学习的人脸超分辨率技术，也就是通常所说的幻觉脸(Face hallucination)技术。近年来已成为国际上图像复原方面最为活跃的研究热点。幻觉脸算法的基本思想是通过包含高分辨率图像和对应的低分辨率图像的训练集建立出学习模型，再运用这个模型结合待复原低分辨率入脸图像的信息来预测出丢失的高频细节，从而复原出超分辨率人脸图像。这类方法利用了图像本身的先验知识，不仅克服了重建方法在分辨率提高倍数方面的局限性，而且可以实现单幅图像的超分辨率。如何获取先验知识，即学习模型的设计是基于学习的超分辨率技术的核心问题。
