Au-delà de l'apprentissage résiduel profond pour la restauration d'images : simplification de variété guidée par l'homologie persistante

Les dernières approches d'apprentissage profond surpassent les méthodes de traitement du signal les plus avancées dans diverses tâches de restauration d'images. Cependant, si une image contient de nombreux motifs et structures, la performance de ces réseaux de neurones convolutifs (CNN) reste encore inférieure. Pour remédier à ce problème, nous proposons ici un nouvel algorithme d'apprentissage résiduel profond dans l'espace des caractéristiques qui surpasse les approches existantes en apprentissage résiduel. L'idée principale découle de l'observation que la performance d'un algorithme d'apprentissage peut être améliorée si les variétés d'entrée et/ou de sortie peuvent être rendues topologiquement plus simples par une application analytique à un espace des caractéristiques. Nos études numériques approfondies, utilisant des expériences de débruitage et la compétition NTIRE de super-résolution mono-image (SISR), démontrent que l'apprentissage résiduel dans l'espace des caractéristiques proposé surpasse les approches les plus avancées actuellement disponibles. De plus, notre algorithme a obtenu le troisième rang lors de la compétition NTIRE avec un temps de calcul 5 à 10 fois plus rapide que celui des équipes classées en tête. Le code source est disponible sur la page : https://github.com/iorism/CNN.git