在如今這個對圖像質量要求日益嚴苛的時代，面部超分辨率（Face Super-Resolution，FSR）技術備受矚目。它旨在從低分辨率面部圖像中恢復出高分辨率且富含更多面部細節的圖像，在安防監控、人臉識別、影視制作等諸多領域都有著廣闊的應用前景。然而，傳統的面部超分辨率方法卻面臨著重重挑戰。多數基于卷積神經網絡（Convolutional Neural Networks，CNNs）的方法雖在特征表示上有一定優勢，但往往難以捕捉高頻率細節，并且由于卷積操作主要聚焦于小區域像素關系，容易忽略面部整體的幾何特征結構，導致在重建面部整體結構時效果不佳。一些采用多任務訓練策略的方法，雖能利用面部超分辨率或面部熱圖作為先驗知識提升重建效果，但卻需要額外的標記數據，這在實際應用中存在諸多不便。此外，現有的編碼解碼結構網絡也無法充分利用多尺度特征信息。

• 網絡結構設計：ADBINet 采用 U 形對稱分層設計，分為編碼、瓶頸和解碼三個關鍵階段。在編碼階段，網絡專注于從輸入圖像中提取多尺度特征；瓶頸階段進一步精煉這些特征；解碼階段則融合特征并重建面部圖像。通過這種結構，ADBINet 能夠有效地提取、整合和重建多尺度面部特征。研究人員通過優化網絡結構，使得 ADBINet 在面部超分辨率任務中表現出色。
• 關鍵模塊作用
  • TCIM 模塊：TCIM 是 ADBINet 的關鍵組件，由 DACM、Transformer 模塊和 CAGM 組成。研究人員通過一系列消融實驗表明，該模塊對于捕捉圖像中的局部特征和全局關系至關重要。去除 TCIM 組件會顯著降低模型性能，而加入 TCIM 則能有效提升性能。
  • Transformer 模塊：研究人員采用 Restormer 中的 Transformer 模塊，實驗證明該模塊能有效平衡局部特征提取和全局依賴建模，提高網絡模型的性能，優于標準 Transformer 模塊。
  • DACM 模塊：DACM 通過通道注意力和空間注意力協同工作，增強了空間特征提取和通道信息交互能力。去除 DACM 或其內部組件會導致模型性能下降，驗證了其重要性。
  • CAGM 模塊：CAGM 促進了 CNN 和 Transformer 模塊之間的信息交換，通過實驗對比，證明其對模型捕捉局部和全局特征的能力有重要提升作用。
  • AFFM 模塊：AFFM 通過 ADD 和 Concat 分支融合多尺度特征，實驗顯示去除該模塊或其部分組件會降低模型性能，表明其對提高模型性能具有重要作用。
  
  
• 實驗評估對比
  • 與其他方法對比：研究人員將 ADBINet 與 SAN、RCAN 等多種先進方法進行比較。在 CelebA 數據集上，ADBINet 在 PSNR、VIF、LPIPS 和 SSIM 等指標上均表現優異，有效捕捉面部結構，生成的結果更接近真實高分辨率圖像。在 Helen 數據集上，ADBINet 同樣表現出色，其他競爭方法則出現性能下降，無法準確再現面部細節。
  • 模型復雜性分析：研究還對模型的復雜性進行了分析，結果表明 ADBINet 在保證高性能的同時，具有較低的推理時間和較少的參數數量。