Apprentissage profond pour la super résolution des images

Abstract

Lors de l'utilisation de photos numériques dans des applications, il est toujours recommandé d'utiliser des photos haute résolution, étant donné qu'elles peuvent contenir des détails critiques pour diverses applications par rapport à leurs équivalents basse résolution. Un médecin peut s'appuyer sur une image haute résolution pour établir un diagnostic correct, les objets peuvent être facilement distingués sur une image satellite haute résolution, ou un algorithme de reconnaissance de formes peut atteindre une plus grande efficacité lorsqu'il est fourni avec des échantillons d'image haute résolution. Dans ce travail, nous proposons une méthode basée sur le deep learning pour convertir une image basse résolution en une image haute résolution. Cette méthode utilise un réseau neuronal convolutif pour trouver les similitudes entre les patchs basse résolution et haute résolution d'une image et apprendre une cartographie entre eux. Le réseau est capable de produire une image haute résolution, en prenant une image basse résolution comme entrée. Nous allons explorer les différentes techniques de la super résolution des images qui sont basées sur les réseaux de neurones profonds. Nous avons discuté plusieurs modèles différents selon l’ordonnancement des couches et un jeu de paramètres visant à obtenir les meilleurs résultats possibles.