1.4.3 人脸图像超分辨率重建技术的难点与发展趋势

在人脸超分辨率重建领域仍然存在一些值得继续改进与深入探讨的问题，主要分为以下几个方面。

1.数据质量

众所周知，现有的机器学习方法效果的好坏是由学习数据和学习网络两种因素所决定的，其中最主要的因素是数据质量。以最基本的二分类方法为例，使用不均衡且存在大量噪声的数据会使得原本表现良好的网络结构准确率降低60%。对于图像超分辨率重建问题更是如此，图像清晰度参差不齐的数据库会使得网络难以很好地拟合高分辨率图像。此外，数据库清晰度限制了重建图像所能还原的最高清晰度，然而现有的人脸数据库清晰度都不高。因此，超高清晰度数据库的构建将是图像超分辨率重建领域产生巨大飞跃的一个重要节点。

2.学习网络性能优化

对于上述提到的另一个因素学习网络，同样存在待改进的空间。最近几年，针对学习网络优化的研究可总结为以下几个方面：网络连接优化、激活函数优化、损失函数优化及多网络的集成学习等算法。因此，在设计自己的学习网络时，可以考虑通过以上方法优化重建网络，进一步提高网络的稳定性及学习效率。

3.盲重建的应用

现有的人脸超分辨率重建方法可以达到8倍甚至更高倍数的重建效果，由于这种问题完全无法从输入的低分辨率图像中识别人物特征，因此一般被称为“盲重建问题”。在此放大倍数下，重建图像虽然能够通过强大的生成对抗网络获得较高的清晰度，但却与原本的人物并不相像。面对这种情况，仅以单张低分辨率图像作为重建网络的输入是完全无法解决的，需要增强重建网络对人物特征的提取能力，限制重建图像与真实图像的人物特征距离。