Face Hallucination is a kind of super-resolution that restores very low-resolution face images to high- resolution face images. This field plays an important role in face recognition and restoration in situations where face shape is incomplete. However accurate restoration is difficult because the learning takes place while the unique facial features caused by age, such as wrinkles in the skin, are ignored. To solve the above problem, we obtained the age attribute value of the LR image and constructed a pipeline network that can restore the face image including the age attribute using a combination of existing deep learning methods. The predicted age attribute is divided into two groups, young and old. The aging network, last step in the pipeline, was applied only when the image had an old attribute. Lastly, restored images are compared qualitatively and quantitatively with images created by the existing methods. Our method can maintain and restore personality that can come with age, such as wrinkles, and SSIM values are higher overall than other methods.
저화질에서 얼굴복원은 해상도 복원의 일종으로 초 저화질의 얼굴 이미지를 고화질의 얼굴 이미지로 복원 하는것을의미합니다. 이 분야는 얼굴 형태가 완전치 않은 상황에서의 얼굴 인식 및 복원에서 큰 역할을 담당하고 있습니다. 하지만 초 저화질 이미지에는 얼굴의 특정 정보가 유실되고 특히 피부에서 주름과 같이 나이로 인해 생기는 얼굴 고유 특징이 무시 된 채 학습이 이루어지기 때문에 정확한 복원이 어렵습니다. 복원된 얼굴 이미지는 주름과 같은 고유 특징 없이 매끄럽게 복원되기 때문에 실제 이미지보다 훨씬 젊어 보이도록 복원합니다. 위 문제를 해결하기 위해 저화질 이미지의 나이대를 두 개의 집단으로 구분한 후 기존 딥러닝 방법들의 조합으로 이 나이대 값을 포함하여 얼굴 이미지 복원 가능한 파이프라인형 네트워크 학습모델을구성하였습니다. 나이대 집단은 젊은 그룹과 나이 든 그룹 두 개로 나누었고 나이 예측 모델로 예측된 나이가 나이 든 집단에 속하는 경우만 2차 복원 과정을 거칩니다. 2차 복원 과정을 거치면 주름과 같이 나이로 인해생길 수 있는 특징을 더해 그 나이대에 맞는 얼굴로 복원할 수 있게 하였습니다. 우리의 방법으로 주름과 같이 나이대에 따라 나올 수 있는 얼굴 특징도 복원할 수 있으며 원본과 유사한지 나타내는 수치도 다른 방법들에 비해 전반적으로 높게 나옴을 확인했습니다.
