人臉超分辨率（super-resolution，SR）即將輸入模糊的低分辨率Oow-resolution，LR）人臉圖像通過一系列算法處理得到較為清晰的高分辨率（high-resolution，HR）人臉圖像的過程．相比自然圖像，不同人臉圖像的相同位置通常具有相似的結(jié)構(gòu)，本文針對人臉圖像的局部結(jié)構(gòu)一致性特點，提出一種新的基于圖結(jié)構(gòu)的人臉超分辨率神經(jīng)網(wǎng)絡(luò)回歸方法，將輸入低分辨率圖像表示為圖結(jié)構(gòu)，進(jìn)而為圖結(jié)構(gòu)中每一個結(jié)點的局部表示訓(xùn)練一個淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行超分辨率回歸，相比基于規(guī)則矩形網(wǎng)格的方法，圖結(jié)構(gòu)在描述一個像素的局部信息時。不僅考慮到圖像坐標(biāo)的相關(guān)性，同時關(guān)注了紋理的相似性，能更好表達(dá)圖像局部特征．訓(xùn)練過程中，利用已收斂的相鄰結(jié)點的神經(jīng)網(wǎng)絡(luò)參數(shù)初始化當(dāng)前結(jié)點的神經(jīng)網(wǎng)絡(luò)參數(shù)。不僅加快神經(jīng)網(wǎng)絡(luò)的收斂速度，而且提高了預(yù)測精度．與包括深度卷積神經(jīng)網(wǎng)絡(luò)在內(nèi)的基于學(xué)習(xí)的超分辨率最新算法比較實驗表明，本文提出的算法取得了更高的準(zhǔn)確率．本文提出的圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNN）并不局限于解決人臉超分辨率問題，它還可以用于處理其它具有不規(guī)則拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)。解決不同的問題。
?