EXTRACTER : Correspondance de texture efficace avec renforcement de l'attention et du gradient pour la super-résolution d'images à grande échelle

La super-résolution d’image basée sur une référence (RefSR) récente a amélioré les méthodes profondes d’état de l’art en introduisant des mécanismes d’attention afin d’enrichir les images à faible résolution par le transfert de textures à haute résolution provenant d’une image de référence haute résolution. L’idée principale consiste à rechercher des correspondances entre des patches à l’aide d’un couple d’images (faible résolution et référence) dans un espace de caractéristiques, puis à les fusionner à l’aide d’architectures profondes. Toutefois, les méthodes existantes souffrent d’une recherche insuffisamment précise des textures : elles divisent les images en un maximum de patches, ce qui entraîne une utilisation mémoire inefficace et limite leur capacité à traiter des images de grande taille. Dans ce travail, nous proposons une recherche profonde plus efficace en termes d’utilisation mémoire, réduisant significativement le nombre de patches d’image tout en identifiant pour chaque patch à faible résolution les $k$ correspondances texturelles les plus pertinentes parmi les patches à haute résolution de la référence, garantissant ainsi une correspondance texturelle précise. Nous améliorons les résultats de super-résolution en intégrant des informations de densité de gradient via une architecture résiduelle simple, obtenant ainsi des performances compétitives sur les métriques PSNR et SSMI.