本网讯（通讯员 王元植）近日，国际电子电工学会汇刊-神经网络与学习系统（IEEE Transactions on Neural Networks and Learning Systems,TNNLS），在线发表我司跨媒体智能计算科研团队论文：“Rethinking Prior-guided Face Super-resolution: A New Paradigm with Facial Component Prior”。论文第一署名单位为det365手机版智能机器人湖北省重点实验室、det365在线平台det365在线平台，合作单位为湖北文理学院、哈尔滨工业大学、武汉大学、Texas A&M University。国际电子电工学会汇刊-神经网络与学习系统（TNNLS）是神经网络和学习系统领域的顶级期刊，该期刊最新影响因子为14.255，是中科院一区Top期刊。

论文通讯作者张彦铎教授、第一作者卢涛教授长期从事人脸图像超分辨率的科研工作。人脸图像超分辨率是图像超分辨率中的特定领域，其目的是提高低分辨率面部图像的分辨率和质量，利用人脸超分辨率算法从低分辨率面部图像中恢复潜在的高分辨率面部图像有助于完成各种下游任务，比如人脸检测、验证和分析。由于人脸超分辨率本质是一个病态问题求解过程，因此极具挑战性，得到了全世界研究者们的广泛关注。

现有人脸超分辨率方法在图像重建过程中利用先验知识约束求解，或在重建过程后使用先验知识，忽略了低分辨率样本提供先验知识的作用。针对这一问题，跨媒体智能计算科研团队首次提出了一种前先验引导的人脸超分辨率重建范式，通过从原始的高分辨率人脸图像中提取精确的面部先验信息，并嵌入到低分辨率人脸图像中，然后使用嵌入后的低分辨率人脸图像重建出高质量的高分辨率人脸图像（如图1所示），创新性地解决了人脸超分辨率领域中不准确的面部先验信息会降低重建性能这个痛点问题。论文提出的组件混合方法可以应用于没有高分辨率/低分辨率人脸图像对的真实世界场景，能将将现有人脸超分辨率方法推广到实际应用场景。在多个数据集上的实验结果表明，论文方法性能优于目前的主流方法（如图2所示），同时该方法能够显著提升实际监控场景下的人脸识别性能。论文理论和技术成果可以广泛应用于智能监控系统，无人驾驶、机器人等领域。

                                                                图1论文方法的工作流程图

图2论文算法与前沿最优算法的视觉对比图，其中FSRCH为论文算法的重建结果，HR为原始高分辨率人脸图像，其余从左到右为前沿对比算法重建结果

在国家自然科学基金面上项目（62072350、62171328）、湖北省技术创新专项重大项目（2019AAA045）的支持下，该科研团队在低质量人脸图像重建领域开展前沿研究，团队骨干王元植等同学发表了多篇计算机学会推荐A类会议论文，研发的视频分析系统已经广泛应用到了智慧城市、智慧化工园区和多源感知巡检机器人等领域，取得了良好的社会效益。（审稿 张炜）