實驗結果表明,我們所提出的 DDA-SRGAN 能夠學習關鍵區域的特徵細節

Super-Resolution Generative Adversarial Network Based on the Dual Dimension Attention Mechanism for Biometric Image Super-Resolution

Chi-En Huang, Yung-Hui Li, Muhammad Saqlain Aslam and Ching-Chun Chang

摘要

物聯網(IoT)和雲計算的環境中存在多種類型的智慧安全感測器。其中,用於生物辨識的感測器是最重要的類型之一。生物辨識感測器捕捉一個人的生理或行為特徵,這些特徵可以通過雲計算進一步處理以便用戶的驗證。然而在生物辨識中,低解析度 (LR) 影像會導致特徵細節的缺失與辨識率的降低。此外,解析度匱乏會對基於影像而進行生物辨識的性能產生負面影響。

然而,從應用的角度來看,大多數物聯網設備都受到硬體限制,高成本設備可能無法滿足各種要求,尤其是對影像解析度的要求,因為它需要額外的存儲空間來存儲高解析度(HR)影像,以及高頻寬來傳輸高解析度影像。因此,如何在不使用昂貴且高成本的圖像感測器的情況下,實現生物識別系統的高精度是智慧安防感測器領域中一個有價值的議題。

在本文中,我們提出了 DDA-SRGAN,它是一種使用二維注意力機制的基於生成對抗網絡 (GAN)超解析度 (SR) 框架。可以訓練所提出的模型以在低解析圖像中自動發現感興趣區域 (ROI),而無需任何給定的先驗知識。實驗是在 CASIA-Thousand-v4CelebA 數據集上進行的。實驗結果表明,所提出的方法能夠學習關鍵區域的特徵細節,並在大多數情況下獲得更好的性能。

回到頂端