Réseaux de Résidus Profonds Améliorés pour la Super-Résolution d'Images Uniques

Les recherches récentes en super-résolution ont connu des progrès grâce au développement des réseaux neuronaux convolutifs profonds (DCNN). En particulier, les techniques d'apprentissage résiduel montrent une amélioration des performances. Dans cet article, nous développons un réseau de super-résolution profond amélioré (EDSR) dont les performances dépassent celles des méthodes actuelles de pointe en super-résolution. L'amélioration significative des performances de notre modèle est due à l'optimisation réalisée en supprimant les modules inutiles dans les réseaux résiduels conventionnels. Les performances sont encore améliorées en augmentant la taille du modèle tout en stabilisant la procédure d'entraînement. Nous proposons également un nouveau système de super-résolution profonde multi-échelle (MDSR) et une méthode d'entraînement, capables de reconstruire des images haute résolution avec différents facteurs d'échelle dans un seul modèle. Les méthodes proposées montrent des performances supérieures aux méthodes de pointe sur les jeux de données de référence et prouvent leur excellence en remportant le Défi NTIRE2017 de Super-Résolution.