Réseau Dense Résiduel pour la Sur-résolution d'Images

Un réseau neuronal convolutif (CNN) très profond a récemment obtenu d'excellents résultats pour la sur-résolution d'images (SR) et a également fourni des caractéristiques hiérarchiques. Cependant, la plupart des modèles de SR basés sur des CNN profonds n'utilisent pas pleinement les caractéristiques hiérarchiques provenant des images d'origine à faible résolution (LR), ce qui entraîne une performance relativement faible. Dans cet article, nous proposons un nouveau réseau dense résiduel (RDN) pour résoudre ce problème dans le domaine de la sur-résolution d'images. Nous exploitons pleinement les caractéristiques hiérarchiques de toutes les couches convolutives.Plus précisément, nous proposons un bloc dense résiduel (RDB) pour extraire des caractéristiques locales abondantes grâce à des couches convolutives densément connectées. Le RDB permet également des connexions directes entre l'état du RDB précédent et toutes les couches du RDB actuel, conduisant ainsi à un mécanisme de mémoire continue (CM). La fusion des caractéristiques locales dans le RDB est ensuite utilisée pour apprendre de manière adaptative des caractéristiques plus efficaces à partir des caractéristiques locales précédentes et actuelles, stabilisant ainsi l'entraînement d'un réseau plus large. Après avoir obtenu pleinement des caractéristiques locales denses, nous utilisons la fusion de caractéristiques globales pour apprendre conjointement et de manière adaptative les caractéristiques hiérarchiques globales de manière holistique.Des expériences approfondies sur des ensembles de données de référence avec différents modèles de dégradation montrent que notre RDN atteint une performance favorable par rapport aux méthodes les plus avancées.