Amélioration de la résolution d’images par RL-CSC : quand l’apprentissage résiduel rencontre le codage parcimonieux convolutif

Nous proposons un modèle simple mais efficace pour la Super-Résolution d'Images Uniques (SISR), en combinant les avantages de l'Apprentissage Résiduel et du Codage Sparse Convolutif (RL-CSC). Notre modèle s'inspire de l'Algorithme Itératif Appris de Réduction-Seuillage (LISTA). Nous étendons LISTA à sa version convolutive et construisons la partie principale de notre modèle en suivant strictement la forme convolutive, ce qui améliore l'interprétabilité du réseau. Plus précisément, les codages sparses convolutifs des cartes de caractéristiques d'entrée sont appris de manière récursive, et les informations à haute fréquence peuvent être récupérées à partir de ces CSCs. De plus, l'apprentissage résiduel est appliqué pour atténuer la difficulté d'entraînement lorsque le réseau devient plus profond. De nombreuses expériences sur des jeux de données de référence démontrent l'efficacité de notre méthode. RL-CSC (30 couches) surpasse plusieurs méthodes récentes de pointe, telles que DRRN (52 couches) et MemNet (80 couches), tant en termes de précision que de qualité visuelle. Les codes source et davantage de résultats sont disponibles à l'adresse suivante : https://github.com/axzml/RL-CSC.