《表3 各种算法峰值信噪比和结构相似性数值性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的面部修复技术综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表3中的算法均为上文中所介绍的算法在Celeb A数据集上的测试结果，两项评价指标的值越高越好。通过表3可知，例如patch-match这种传统的并未加入深度学习的算法，其性能在当今技术条件下已经较为落后了，在被遮挡部分周围信息较不完整时所得结果质量较差。目前使用GAN网络的算法性能正在逐步提升。表3中算法所使用网络均基于GAN，具有自动编码发生器，两个对偶损失（局部和全局）以及作为判别器的语义正则化。其中基于上下文内容语义的模型可以成功地从随机噪声中合成面部缺失的关键部分，所得到的结果在视觉上具有合理性。大量的实验（基于数据集Celeb A）均表明使用基于GAN模型的深度学习网络产生了高感知质量的修复结果，并且能够非常灵活地处理各种掩模或遮挡（例如，不同的位置、尺寸、形状等遮挡）。目前使用深度学习和生成对抗网络对面部图像进行修复已成为主流的研究方向。上下文关注修复算法由于测试时间周期较短，降低迭代次数后，效果较差。但与传统的补丁块匹配算法相比，所得修复结果进步较大。深度学习和GAN的结合运用使得这些新兴方法得出的结果更加准确，局部和全局的分割逐渐成为普适性的方法。表3中所列出的基于深度学习的算法被证明可以在高度结构化的图像中生成合理的新内容，例如人脸、物体和场景，但这些基于CNN的方法经常产生边界伪影[52]、扭曲的结构和与周围区域不一致的模糊纹理，还有待进一步完善。对比表3中的数据指标可以发现，有监督类算法的性能更好，这是由于通过大量的训练认知过程，使得算法对新的面部遮挡有更好的适应性。