Novel Spatial-Edge Residual Attention Model for Face Super-Resolution Enhancement Nouveau modèle d’attention résiduelle spatiale et sur les contours pour l’amélioration de la super-résolution des visages

The primary goal of face super-resolution (FSR) is to improve the accuracy of individual identification by enhancing low-resolution (LR) face images to produce high-resolution (HR) images. However, restoring high-frequency components is challenging due to the inherent loss of detail in LR images. We propose a novel FSR approach that leverages edge and spatial attention mechanisms to address this. Edge attention focuses on preserving and enhancing edges, which are crucial for maintaining the structural integrity of facial features. Spatial attention highlights and refines important regions within the image, ensuring accurate reconstruction of facial features and improving overall image quality. Our experiments demonstrate that combining edge and spatial attention mechanisms yields superior performance compared to using either mechanism alone. The histogram of oriented gradients (HOGs) is employed to extract edge information, as it captures both edge orientation and overall structure, thus improving sharpness and detail preservation in upscaled images. We extensively trained our model on the CelebA dataset and tested it on the CMU-Multi PIE dataset. The spatial-edge residual attention model consistently produces competitive performance compared to state-of-the-art methods, both qualitatively and quantitatively. Our approach highlights the effectiveness of integrating edge and spatial attention mechanisms for FSR, paving the way for more accurate and visually appealing FSR techniques. Résumé—L’objectif principal de la super-résolution des visages (FSR) est d’améliorer la précision de l’identification individuelle en améliorant les images de visages à basse résolution (LR) afin de produire des images à haute résolution (HR). Cependant, la restauration des composants à haute fréquence est difficile en raison de la perte inhérente de détails dans les images LR. Nous proposons une nouvelle approche FSR qui exploite les mécanismes d’attention spatiale et sur les contours pour remédier à ce problème. L’attention sur les contours se concentre sur la préservation et l’amélioration des contours, qui sont essentiels pour maintenir l’intégrité structurelle des traits du visage. L’attention spatiale met en évidence et affine les zones importantes de l’image, garantissant une reconstruction précise des traits du visage et améliorant la qualité globale de l’image. Nos expériences démontrent que la combinaison des mécanismes d’attention spatiale et sur les contours offre des performances supérieures à celles obtenues en utilisant l’un ou l’autre de ces mécanismes seul. L’histogramme des gradients orientés (HOG) est utilisé pour extraire les informations sur les contours, car il capture à la fois l’orientation des contours et la structure globale, améliorant ainsi la netteté et la préservation des détails dans les images agrandies. Nous avons largement entraîné notre modèle sur l’ensemble de données CelebA et l’avons testé sur l’ensemble de données CMU-Multi PIE. Le modèle d’attention résiduelle spatiale-contour produit systématiquement des performances compétitives par rapport aux méthodes de pointe, tant sur le plan qualitatif que quantitatif. Notre approche met en évidence l’efficacité de l’intégration des mécanismes d’attention spatiale et de bord pour le FSR, ouvrant la voie à des techniques FSR plus précises et plus attrayantes visuellement.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.