Réseau Progressif Orienté Perception pour le Suréchantillonnage d'Images Uniques

Récemment, il a été démontré que les réseaux neuronaux profonds peuvent améliorer considérablement les performances de la super-résolution d'images uniques (SISR). De nombreuses études se sont concentrées sur l'amélioration de la qualité quantitative des images super-résolues (SR). Cependant, ces méthodes visant à maximiser le PSNR produisent généralement des images floues pour des facteurs d'échelle importants. L'introduction des réseaux adversariaux génératifs (GANs) peut atténuer ce problème et montrer des résultats impressionnants avec des textures hautes fréquences synthétiques. Néanmoins, ces approches basées sur les GANs ont tendance à ajouter des textures fausses et même des artefacts pour rendre l'image SR visuellement de plus haute résolution. Dans cet article, nous proposons une nouvelle méthode de super-résolution d'images perceptuelles qui génère progressivement des résultats de haute qualité visuelle en construisant un réseau par étapes. Plus précisément, la première phase se concentre sur la minimisation de l'erreur pixel par pixel, et la deuxième étape utilise les caractéristiques extraites par la phase précédente pour obtenir des résultats avec une meilleure conservation structurale. La dernière étape emploie les caractéristiques fines de structure distillées par la deuxième phase pour produire des résultats plus réalistes. De cette manière, nous pouvons maintenir au maximum les informations au niveau pixel et structurel dans l'image perceptuelle. Il est utile de noter que la méthode proposée peut construire trois types d'images dans un processus feed-forward. De plus, nous explorons un nouveau générateur qui adopte une fusion hiérarchique multi-échelle des caractéristiques. Des expériences extensives sur des jeux de données de référence montrent que notre approche est supérieure aux méthodes de pointe actuelles. Le code est disponible à l'adresse suivante : https://github.com/Zheng222/PPON.