Réseau de Fusion de Caractéristiques Légères pour le Suréchantillonnage d'Images Uniques

La super-résolution d'image unique (SISR) a connu de grands progrès avec l'approfondissement et l'élargissement des réseaux de neurones convolutifs (CNN). Cependant, le nombre considérable de paramètres entrave son application à des problèmes du monde réel. Dans cette lettre, nous proposons un réseau de fusion de caractéristiques léger (LFFN) capable d'exploiter pleinement les informations contextuelles multi-échelles tout en réduisant considérablement les paramètres du réseau tout en maximisant les résultats de la SISR. Le LFFN est construit sur des blocs fuselés et un module de fusion de caractéristiques softmax (SFFM). Plus précisément, un bloc fuselé se compose d'une unité d'extension de dimension, d'une unité d'exploration de caractéristiques et d'une unité de raffinement de caractéristiques. La couche d'extension de dimension élargit la dimension faible vers une dimension élevée et apprend implicitement les cartes de caractéristiques adaptées à l'unité suivante. L'unité d'exploration de caractéristiques effectue une exploration linéaire et non linéaire des caractéristiques visant différentes cartes de caractéristiques. La couche de raffinement des caractéristiques est utilisée pour fusionner et affiner les caractéristiques. Le SFFM fusionne les caractéristiques provenant de différents modules selon une méthode d'apprentissage auto-adaptative utilisant la fonction softmax, exploitant pleinement les informations hiérarchiques avec un coût minimal en termes de paramètres. Les expériences qualitatives et quantitatives menées sur des jeux de données基准数据集表明，LFFN在参数相似的情况下，其性能优于最先进的方法。(Note: The last sentence contains Chinese characters which should be translated into French as well.)Les expériences qualitatives et quantitatives menées sur des jeux de données benchmark montrent que le LFFN atteint une performance favorable par rapport aux méthodes les plus avancées avec des paramètres similaires.