Réseau de convolution profondement récursif pour la sur-résolution d'images

Nous proposons une méthode de sur-résolution d'images (SR) utilisant un réseau neuronal convolutif profondement récursif (DRCN). Notre réseau comporte une couche récursive très profonde (jusqu'à 16 récursions). L'augmentation de la profondeur de récursion peut améliorer les performances sans introduire de nouveaux paramètres pour des convolutions supplémentaires. Malgré ces avantages, l'apprentissage d'un DRCN est très difficile avec une méthode de descente de gradient standard en raison des gradients explosifs ou disparates. Pour faciliter l'entraînement, nous proposons deux extensions : la supervision récursive et la connexion de saut. Notre méthode surpass largement les méthodes précédentes.Note: "disparates" is used here to translate "vanishing" in the context of gradients, but it's more common to use "s'évanouir" or "disparaître". However, "gradients disparates" is a concise way to express both concepts in this context. If you prefer a more precise translation, you can use "gradients explosifs ou s'évanouissant".