一种用于联合低光增强和人脸超分的深度学习网络.pdfVIP

第20卷第1期智能系统学报Vol.20No.1

2025年1月CAAITransactionsonIntelligentSystemsJan.2025

DOI:10.11992/tis.202406029

一种用于联合低光增强和人脸超分的深度学习网络

丛维仪，郑卓然，贾修一

（南京理工大学计算机科学与工程学院,江苏南京210094）

摘要：在低光环境下，人脸图像增强是许多任务的重要恢复方法。然而，现有的低光环境下人脸超分辨率方

法通常依赖于低光增强和超分算法的序列建模。遗憾的是，由于优化目标之间的差异，使用这种方法来增强人

脸图像很容易导致伪影或噪声。为了应对这一挑战，本文提出了一个端到端的低光人脸图像超分辨率网络

（low-lightfacesuperresolutionnetwork,LFSRNet）。该网络由浅层特征提取、深层特征提取和特征过滤上采样

3个模块组成。首先浅层特征模块将输入的低光、低分辨率人脸图像映射到特征空间。随后，深度特征提取模

块对其进行亮度校正并细化结构。最后，特征过滤上采样模块处理提取到的特征并重建人脸图像。此外，为了

更好地重建丢失的面部细节本文还设计了一个损失函数faceMaskLoss。大量实验证明了所提模型的有效性。

关键词：人脸超分辨率；低光图像增强；监督学习；随机掩码；损失函数；深度学习；局部特征提取；全局特征提取

中图分类号：TP391.4文献标志码：A文章编号：1673−4785(2025)01−0109−09

中文引用格式：丛维仪,郑卓然,贾修一.一种用于联合低光增强和人脸超分的深度学习网络[J].智能系统学报,2025,20(1):

109–117.

英文引用格式：CONGWeiyi,ZHENGZhuoran,JIAXiuyi.Adeeplearningnetworkforjointlow-lightenhancementandfacespu-

er-resolution[J].CAAItransactionsonintelligentsystems,2025,20(1):109–117.

Adeeplearningnetworkforjointlow-lightenhancement

andfacespuer-resolution

CONGWeiyi，ZHENGZhuoran，JIAXiuyi

(SchoolofComputerScienceandEngineering,NanjingUniversityofScienceandTechnology,Nanjing210094,China)

Abstract:Inlow-lightenvironments,faceimageenhancementisusedasavitalrecoverymethodformanytasks.

However,existingmethodsforfacesuper-resolutioninlow-lightenvironmentsusuallyreliedonsequencemodelingthat

combineslow-lightenhancementandsuper-resolutionalgorithms.Unfortunately,usingthismethodtoenhanceaface

imageeasilyledtoartifactsornoisebecauseofthedifferencesbe