Une Approche Pleinement Progressive pour la Super-Résolution d'Images Uniques

Les approches récentes de l'apprentissage profond pour la sur-résolution d'images uniques ont obtenu des résultats impressionnants en termes de mesures d'erreur traditionnelles et de qualité perceptive. Cependant, il reste difficile dans chaque cas d'atteindre des résultats de haute qualité pour des facteurs d'échantillonnage important. À cette fin, nous proposons une méthode (ProSR) qui est progressive tant dans son architecture que dans sa formation : le réseau échantillonne une image par étapes intermédiaires, tandis que le processus d'apprentissage est organisé du simple au complexe, comme c'est le cas dans l'apprentissage par programme progressif. Pour obtenir des résultats plus photoréalistes, nous concevons un réseau de neurones génératif antagoniste (GAN), nommé ProGanSR, qui suit le même principe de conception progressive multi-échelle. Ceci non seulement permet une bonne évolutivité vers des facteurs d'échantillonnage élevés (par exemple, 8x), mais constitue également une approche multi-échelle fondée sur des principes qui améliore simultanément la qualité de reconstruction pour tous les facteurs d'échantillonnage. En particulier, ProSR se classe deuxième en termes de SSIM et quatrième en termes de PSNR dans le défi NTIRE2018 SISR [34]. Comparé à l'équipe classée première, notre modèle est légèrement inférieur, mais fonctionne cinq fois plus rapidement.