在低光环境下,人脸图像增强是许多任务的重要恢复方法。然而,现有的低光环境下人脸超分辨率方法通常依赖于低光增强和超分算法的序列建模。遗憾的是,由于优化目标之间的差异,使用这种方法来增强人脸图像很容易导致伪影或噪声。为了应对这一挑战,本文提出了一个端到端的低光人脸图像超分辨率网络(low-light face super resolution network,LFSRNet)。该网络由浅层特征提取、深层特征提取和特征过滤上采样3个模块组成。首先浅层特征模块将输入的低光、低分辨率人脸图像映射到特征空间。随后,深度特征提取模块对其进行亮度校正并细化结构。最后,特征过滤上采样模块处理提取到的特征并重建人脸图像。此外,为了更好地重建丢失的面部细节本文还设计了一个损失函数faceMaskLoss。大量实验证明了所提模型的有效性。
近年来法律文书阅读理解逐渐成为一个研究热点,它要求模型能够利用有限的数据完成答案分类以及证据和答案的提取,然而现有模型编码粒度单一,且问题和法律文书之间仍缺乏充分的交互。为了解决上述问题,提出了一种基于多粒度增强和答案验证的法律文书阅读理解模型。该模型首先使用多粒度编码模块,以字符、词语和序列三种粒度来捕捉输入文本中多层次的信息,提高模型提取信息的能力;然后引入基于问题和证据的注意力,增强问题和法律文书之间的交互,深入挖掘答案分类的线索信息;最后受到人类阅读过程的启发,该模型采用答案验证机制结合局部和全局信息来预测答案。在中文法律阅读理解数据集CAIL2019、CAIL2020和CAIL2020-Enhanced以及英文数据集HotpotQA上的实验结果表明,所提方法的joint F 1分别为76.48%、64.16%、70.82%和69.39%,优于基线模型。
暂无评论