Réseaux de Réprojection Profonde pour le Suréchantillonnage d'Images Uniques

Les architectures feed-forward précédentes des réseaux de super-résolution profonde proposés récemment apprennent les caractéristiques des entrées à faible résolution et la carte non-linéaire de celles-ci vers une sortie à haute résolution. Cependant, cette approche ne prend pas pleinement en compte les dépendances mutuelles entre les images à faible et haute résolution. Nous proposons les Réseaux de Projection Rétroactive Profonde (Deep Back-Projection Networks, DBPN), vainqueurs de deux défis d'images de super-résolution (NTIRE2018 et PIRM2018), qui exploitent des couches d'échantillonnage itératif en haut et en bas. Ces couches sont formées en tant qu'unité fournissant un mécanisme de retour d'erreur pour les erreurs de projection. Nous construisons des unités d'échantillonnage en haut et en bas connectées mutuellement, chacune représentant différents types de composants à faible et haute résolution. Nous montrons également que l'extension de cette idée permet d'apporter une nouvelle perspective sur la conception plus efficace des réseaux, notamment par le partage des paramètres dans le module de projection et l'utilisation d'une couche de transition lors du pas de projection. Les résultats expérimentaux obtenus sont supérieurs et établissent en particulier de nouveaux records dans plusieurs jeux de données, surtout pour des facteurs d'échelle importants tels que 8x.