MemNet : Un réseau de mémoire persistante pour la restauration d'images

Récemment, les réseaux neuronaux convolutifs très profonds (CNNs) ont suscité une attention considérable dans le domaine de la restauration d'images. Cependant, à mesure que la profondeur augmente, le problème des dépendances à long terme est rarement pris en compte pour ces modèles très profonds, ce qui entraîne que les états/couches antérieurs ont peu d'influence sur les suivants. Inspirés par le fait que les pensées humaines possèdent une persistance, nous proposons un réseau neuronal à mémoire persistante très profond (MemNet) qui introduit un bloc mémoire composé d'une unité récursive et d'une unité de porte, afin d'exploiter explicitement la mémoire persistante au travers d'un processus d'apprentissage adaptatif. L'unité récursive apprend des représentations multinationales de l'état actuel sous différents champs récepteurs. Les représentations et les sorties des blocs mémoire précédents sont concaténées et envoyées à l'unité de porte, qui contrôle de manière adaptative combien des états précédents doivent être conservés et décide combien de l'état actuel doit être stocké. Nous appliquons MemNet à trois tâches de restauration d'images : la débruitage d'images, la sur-résolution et le déblocage JPEG. Des expériences exhaustives démontrent la nécessité du MemNet ainsi que sa supériorité unanime sur toutes les trois tâches par rapport aux méthodes actuelles de pointe. Le code source est disponible à l'adresse https://github.com/tyshiwo/MemNet.Note: There was a minor correction in the translation where "multi-level" was translated as "multinationales," which is incorrect. The correct term should be "multiniveaux." Here is the corrected version:Récemment, les réseaux neuronaux convolutifs très profonds (CNNs) ont suscité une attention considérable dans le domaine de la restauration d'images. Cependant, à mesure que la profondeur augmente, le problème des dépendances à long terme est rarement pris en compte pour ces modèles très profonds, ce qui entraîne que les états/couches antérieurs ont peu d'influence sur les suivants. Inspirés par le fait que les pensées humaines possèdent une persistance, nous proposons un réseau neuronal à mémoire persistante très profond (MemNet) qui introduit un bloc mémoire composé d'une unité récursive et d'une unité de porte, afin d'exploiter explicitement la mémoire persistante au travers d'un processus d'apprentissage adaptatif. L'unité récursive apprend des représentations multiniveaux de l'état actuel sous différents champs récepteurs. Les représentations et les sorties des blocs mémoire précédents sont concaténées et envoyées à l'unité de porte, qui contrôle de manière adaptative combien des états précédents doivent être conservés et décide combien de l'état actuel doit être stocké. Nous appliquons MemNet à trois tâches de restauration d'images : la débruitage d'images, la sur-résolution et le déblocage JPEG. Des expériences exhaustives démontrent la nécessité du MemNet ainsi que sa supériorité unanime sur toutes les trois tâches par rapport aux méthodes actuelles de pointe. Le code source est disponible à l'adresse https://github.com/tyshiwo/MemNet.