Apprentissage d'un seul réseau de super-résolution convolutif pour plusieurs dégradations

Ces dernières années ont vu le succès sans précédent des réseaux neuronaux convolutifs profonds (CNN) dans la super-résolution d'images uniques (SISR). Cependant, les méthodes actuelles basées sur les CNN pour la SISR supposent généralement qu'une image à faible résolution (LR) est obtenue par un échantillonnage bicubique d'une image à haute résolution (HR), ce qui entraîne inévitablement de mauvaises performances lorsque la dégradation réelle ne suit pas cette hypothèse. De plus, elles manquent de flexibilité pour apprendre un seul modèle capable de traiter plusieurs types de dégradations de manière non aveugle. Pour remédier à ces problèmes, nous proposons un cadre général avec une stratégie d'étirement de dimensionnalité permettant à un réseau de super-résolution convolutif unique d'utiliser deux facteurs clés du processus de dégradation en SISR, à savoir le noyau flou et le niveau de bruit, comme entrées. Par conséquent, le super-résolveur peut gérer plusieurs dégradations, y compris celles variant spatialement, ce qui améliore considérablement sa praticabilité. Des résultats expérimentaux étendus sur des images LR synthétiques et réelles montrent que le réseau de super-résolution convolutif proposé non seulement produit des résultats favorables sur plusieurs types de dégradations, mais est également efficace sur le plan computationnel, offrant ainsi une solution très efficace et flexible aux applications pratiques en SISR.