Réseau de distillation d'information pour une sur-résolution d'image unique rapide et précise

Récemment, les réseaux de neurones convolutifs profonds (CNNs) ont montré des progrès remarquables dans le domaine du suréchantillonnage d'images à partir d'une seule image. Cependant, à mesure que la profondeur et la largeur des réseaux augmentent, les méthodes de suréchantillonnage basées sur les CNNs se heurtent aux défis de la complexité computationnelle et de la consommation mémoire en pratique. Pour résoudre ces problèmes, nous proposons un réseau convolutif profond mais compact pour reconstruire directement l'image haute résolution à partir de l'image originale basse résolution. En général, le modèle proposé se compose de trois parties : un bloc d'extraction de caractéristiques, des blocs d'distillation d'information empilés et un bloc de reconstruction. En combinant une unité d'amélioration avec une unité de compression dans un bloc de distillation, les caractéristiques locales à long et court chemin peuvent être extraites efficacement. Plus précisément, l'unité d'amélioration proposée mélange deux types différents de caractéristiques, tandis que l'unité de compression distille des informations plus utiles pour les blocs suivants. De plus, le réseau proposé présente l'avantage d'une exécution rapide grâce au nombre relativement faible de filtres par couche et à l'utilisation de convolutions groupées. Les résultats expérimentaux montrent que la méthode proposée est supérieure aux méthodes les plus avancées actuellement disponibles, en particulier en termes de performance temporelle.