Tiefenlernnetzwerke zur Gesichtsbildrestauration weisen Probleme auf, bei denen die semantischen Informationen des Gesichts nach der Restauration unlogisch sind und die Gesichtskonturen inkohärent erscheinen. Es wird ein gesichtsbildrestaurierendes Netzwerk vorgeschlagen, das von Strukturinformationen des Gesichts geleitet wird. Zunächst wurde ein Netzwerk zur Generierung von Gesichtsstruktur-Skizzen mit Encoder-Decoder-Technologie aufgebaut, wobei im Generator des Skizzengenerierungsnetzwerks Sprungverbindungen und dilatationsgefaltete Residualblöcke zur Erzeugung der Struktur-Skizze des zu reparierenden Bereichs eingeführt wurden. Zweitens wurde bei der Konstruktion des Gesichtsrestaurnetzwerks ein Aufmerksamkeitsmechanismus im Generator des Restaurierungsnetzwerks eingeführt, damit das Netzwerk sich bei der Restauration mehr auf den zu reparierenden Bereich konzentriert und mithilfe der generierten Gesichtsstruktur-Skizze eine lebendige Rekonstruktion der semantischen Gesichtsstruktur und der Texturinformationen erzielt. Schließlich wurde in der Verlustfunktion des Skizzengenerierungsnetzwerks ein Merkmalsabgleich-Verlust eingeführt, um das Modell zu trainieren und den Generator anzuweisen, Ergebnisse zu erzeugen, die den echten Struktur-Skizzen ähnlicher sind; in der Verlustfunktion des Restaurierungsnetzwerks werden zusammen Wahrnehmungsverlust und Stilverlust verwendet, um das Modell zu trainieren, damit die Gesichtsstrukturkonturen und Farbtexturen im zu restaurierenden Bereich besser rekonstruiert werden, wodurch das restaurierte Bild der echten Bildaufnahme näherkommt. Vergleichende Experimente zeigen, dass die Restaurationsleistung des in diesem Artikel entworfenen Netzwerks auf dem Gesichtsbilddatensatz deutlich verbessert wurde.

Gesichtsrestauration;Encoder-Decoder;dilatationsgefaltete Faltung;Sprungverbindungen;Aufmerksamkeitsmechanismus