Restauration d'images à l'aide d'auto-encodeurs convolutionnels avec connexions de saut symétriques

La restauration d'images, incluant le débruitage, la sur-résolution, l'inpainting et autres, est un problème bien étudié dans le domaine de la vision par ordinateur et du traitement d'images, ainsi qu'un terrain d'essai pour les algorithmes de modélisation d'images de bas niveau. Dans cette étude, nous proposons un réseau neuronal très profond et entièrement convolutif auto-encodeur pour la restauration d'images, qui repose sur une architecture de codage-décodage avec des couches convolutionnelles-déconvolutionnelles symétriques. Autrement dit, le réseau est composé de multiples couches d'opérateurs de convolution et de déconvolution, apprenant des mappages bout-en-bout des images altérées aux images originales. Les couches convolutionnelles capturent l'abstraction des contenus d'image tout en éliminant les altérations. Les couches déconvolutives possèdent la capacité de rééchantillonner les cartes de caractéristiques et de récupérer les détails des images. Pour résoudre le problème selon lequel les réseaux plus profonds tendent à être plus difficiles à entraîner, nous proposons de lier symétriquement les couches convolutionnelles et déconvolutives avec des connexions inter-couches (skip-layer connections), ce qui permet une convergence beaucoup plus rapide lors de l'entraînement et obtient des résultats supérieurs.