这篇文章 FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors 是 CVPR 2018 的文章

一、论文的贡献

1）据我们所知，这是第一个利用面部几何先验进行的端到端训练的深度人脸超分辨率网络。

2）同时介绍了两种人脸几何先验方法:人脸特征点热图（facial landmark heatmaps ）和解析图（ parsing maps）

3）The proposed FSRNet achieves the state of the artwhen hallucinating unaligned and very low-resolution (16×16 pixels) face images by an upscaling factor of 8, and the extended FSRGAN further generates more realistic faces.

4）采用人脸对齐和解析作为新的人脸超分辨评价指标，进一步证明了该指标解决了传统指标与视觉感知不一致的问题。

二、论文模型： Face Super-Resolution Network 

2.1  Overview of FSRNet 

　　我们的基本FSRNet F由四部分组成: 粗SR网络、精SR编码器、先验估计网络和最终的精SR解码器。

　　一个低分辨率的人脸图片x作为输入，经过coarse SR Network 恢复出一个coarse SR image。然后这个coarse SR image被送入到Fine SR Network中，作为Fine SR Encoder和Prior Estimation Network 的输入图片。在Fine SR Network中从coarse SR image中提取特征，而Prior Estimation Network 通过多任务学习共同估计特征点热图（landmark heatmaps ）和解析图（parsing maps）。最后将图像特征和人脸先验知识输入到精密的SR解码器中，恢复出精确的HR人脸。

 Θ表示参数集,α和β表示 the coarse SR loss and prior loss 的权重。y ⁽ⁱ⁾, p ⁽ⁱ⁾分别为恢复的第i幅HR图像和估计的第i幅图像的先验信息。

FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors论文阅读