Abstak Dalam tulisan ini, kami mengusulkan sebuah gambar wajah baru super-resolusi menggunakan metode proyeksi ke set

cembung (POCs) dan residu kompensasi. Pertama, awal direkonstruksi tinggi resolusi gambar, yang mirip dengan aslinya high-resolusi gambar, dibangun di bawah algoritma POCs. kedua, kompensasi residu diperkirakan. Frekuensi yang lebih tinggi Informasi direkonstruksi dengan belajar dua sesuai set resolusi tinggi dan rendah gambar residu pelatihan. Itu super-resolusi gambar wajah optimal, yang memiliki lebih gambar konten, yang berhalusinasi dengan kompensasi residu ke direkonstruksi gambar resolusi tinggi awal. percobaan menunjukkan bahwa pendekatan kami tidak membuat kualitas tinggi super-Resolusi wajah. Pendahuluan Super- resolusi adalah proses menggabungkan satu atau beberapa gambar beresolusi rendah dengan kabur, kebisingan dan gerakan untuk membentuk satu resolusi yang lebih tinggi. Gambar wajah manusia super-teknik resolusi memiliki berbagai aplikasi seperti surveilans, pengakuan, transmisi. Banyak algoritma super- solusi telah diusulkan dalam literatur [1,2,3,4,5,6]. Baker [3] mengembangkan wajah Metode halusinasi menggunakan rumusan Bayesian. Pendekatan ini menyimpulkan komponen frekuensi tinggi dari orang tua struktur menggunakan sampel pelatihan. Alih-alih menggunakan keseluruhan atau bagian dari wajah, the- super resolusi didirikan berdasarkan gambar pelatihan menggunakan Gaussian , Laplacian dan fitur piramida. Sebuah model yang berbeda yang diusulkan oleh Liu [ 4 ] menggambarkan Pendekatan dua langkah mengintegrasikan model parametrik global dan model nonparametrik lokal . Pada langkah pertama , hubungan antara gambar wajah resolusi tinggi dan merapikan mereka dan down- sampel yang resolusi yang lebih rendah dipelajari. Dalam Langkah kedua, sisa antara resolusi tinggi asli gambar dan yang direkonstruksi adalah kompensasi - ulang . dalam pekerjaan sebelumnya citra wajah super- resolusi, sebelum informasi , yang menyebabkan peran yang sangat penting dalam proses rekonstruksi terutama ketika gambar input memiliki tinggi tingkat bawah - sampel dan resolusi sangat rendah , ditambahkan ke meningkatkan kualitas gambar.

Materi Pendukung The POCs adalah metode iteratif untuk menemukan solusi dibatasi oleh satu set informasi sebelumnya berdasarkan pengamatan data, model yang terdegradasi dan karakteristik statistik kebisingan, dll, yang memiliki keuntungan dari menggabungkan berbagai kendala ke dalam kerangka teori terpadu dan menemukan solusi efisien. Bahkan informasi sebelumnya dianggap sebagai kendala dan didefinisikan sebagai satu set cembung. Solusi layak adalah unsur sebuah daerah layak didefinisikan oleh persimpangan dari sejumlah kendala cembung. Sebagai contoh, metode LP-POCs [7] menggunakan line-proses untuk kendala kelancaran. Huang terinspirasi oleh teori pengenalan wajah mengembangkan RB-POCs Metode [8], menggunakan wajah sebelum dengan menganalisis statistik karakteristik gambar wajah dan menggabungkan

mereka ke dalam cembung diatur untuk kendala rekonstruksi. di atas metode diperoleh hasil yang mengesankan. Meskipun demikian, sebagian besar rekonstruksi wajah-gambar terlihat halus dan fitur wajah tidak jelas.