Amélioration rapide et précise de la résolution des images par CNN profonde avec connexion de saut et réseau dans un réseau

Nous proposons un modèle de Super-Résolution d'Image Unique (Single Image Super-Resolution, SISR) hautement efficace et plus rapide, basé sur des Réseaux Neuronaux Convolutifs Profonds (Deep Convolutional Neural Networks, Deep CNN). Les Deep CNN ont récemment démontré une performance de reconstruction significative pour la super-résolution d'image unique. La tendance actuelle consiste à utiliser des couches CNN plus profondes pour améliorer les performances. Cependant, les modèles profonds nécessitent des ressources de calcul importantes et ne sont pas adaptés aux dispositifs situés au bord du réseau, tels que les téléphones mobiles, les tablettes et les appareils IoT.Notre modèle atteint une performance de reconstruction d'état de l'art avec un coût de calcul au moins 10 fois inférieur grâce à l'utilisation de Deep CNN avec des Réseaux Résiduels (Residual Net), des Connexions de Saut (Skip Connection) et des Réseaux dans le Réseau (Network in Network, NiN) (DCSCN). Une combinaison de couches Deep CNN et de couches de Connexion de Saut est utilisée comme extracteur de caractéristiques pour extraire les caractéristiques d'image à la fois sur des zones locales et globales. Des CNN 1x1 parallélisés, comme ceux appelés Network in Network, sont également utilisés pour la reconstruction d'image. Cette structure réduit les dimensions de la sortie de la couche précédente pour un calcul plus rapide avec une perte minimale d'information, permettant ainsi le traitement direct des images originales.De plus, nous optimisons le nombre de couches et le nombre de filtres de chaque CNN afin de réduire considérablement le coût de calcul. Ainsi, l'algorithme proposé non seulement atteint une performance d'état de l'art mais aussi réalise un calcul plus rapide et efficace. Le code source est disponible sur https://github.com/jiny2001/dcscn-super-resolution.