Apprentissage par renforcement multi-étapes pour la super-résolution d’image unique

L'apprentissage profond (Deep Learning, DL) est devenu omniprésent dans les recherches actuelles en traitement d'images grâce à sa puissance et à sa polyvalence. Il domine le domaine de la super-résolution à partir d'une seule image (Single Image Super-Resolution, SISR) grâce à sa capacité à reconstruire des images haute résolution (HR) à partir de leurs contreparties basse résolution (LR), notamment grâce aux réseaux antagonistes génératifs (Generative Adversarial Networks, GANs). L'intérêt porté à la SISR provient de son potentiel à améliorer les performances d'autres tâches complémentaires de traitement d'images, telles que la détection, la localisation et la classification d'objets. Cette recherche applique un algorithme d'apprentissage par renforcement (Reinforcement Learning, RL) à base d'agents multiples à la SISR, proposant ainsi une approche par ensemble avancée pour combiner des GANs puissants. Dans notre implémentation, chaque agent sélectionne une action particulière parmi un ensemble d'actions prédéfini, composé des résultats produits par des algorithmes existants de SISR basés sur les GANs, afin de mettre à jour les valeurs de ses pixels. L'arrangement des agents au niveau des pixels ou des patchs, associé à une récompense adaptée, incite l'algorithme à apprendre une stratégie permettant d'augmenter la résolution d'une image en choisissant les meilleures valeurs de pixels parmi les options disponibles.