Résolution d’image légère avec réseau de multi-distillation d’information

Ces dernières années, les méthodes de super-résolution d’image unique (SISR) basées sur les réseaux de neurones convolutifs profonds (CNN) ont obtenu des résultats remarquables. Grâce aux puissantes capacités de représentation des réseaux profonds, de nombreuses approches antérieures ont pu apprendre la cartographie non linéaire complexe entre des patches d’images à faible résolution (LR) et leurs versions à haute résolution (HR). Toutefois, un trop grand nombre de convolutions limite l’application de la technologie de super-résolution sur des dispositifs à faible puissance de calcul. En outre, la super-résolution à un facteur d’échelle arbitraire constitue un enjeu critique dans les applications pratiques, problème qui n’a pas encore été pleinement résolu par les méthodes antérieures. Pour répondre à ces défis, nous proposons un réseau léger à multi-distillation d’informations (IMDN), construit à partir de blocs en cascade de multi-distillation d’informations (IMDB), comprenant des modules de distillation et de fusion sélective. Plus précisément, le module de distillation extrait progressivement des caractéristiques hiérarchiques, tandis que le module de fusion les agrège selon leur importance, évaluée par un mécanisme d’attention canal sensible au contraste, proposé dans ce travail. Pour traiter des images réelles de tailles arbitraires, nous avons développé une stratégie d’échantillonnage adaptatif (ACS), permettant de résoudre par blocs les patches d’image en utilisant le même modèle bien entraîné. Des expériences étendues montrent que la méthode proposée se distingue favorablement des algorithmes les plus avancés en matière de qualité visuelle, d’empreinte mémoire et de temps d’inférence. Le code est disponible à l’adresse suivante : \url{https://github.com/Zheng222/IMDN}.