Ressources Super-Résolution d'une Image Unique par le Regroupement d'Informations de Pixels d'Image et un Réseau Antagoniste Génératif

Les avancées récentes dans la reconstruction d'images en Super-Résolution (SR) utilisant des Réseaux Neuraux Convolutionnels (CNN) ont rencontré des défis significatifs pour modéliser efficacement la correspondance complexe entre les images à basse résolution (LR) et celles à haute résolution (HR). Bien que les Réseaux Antagonistes Génératifs (GAN) aient été explorés comme une solution potentielle pour améliorer les performances de SR, ces modèles souffrent souvent de temps d'entraînement et d'inférence prolongés, et peuvent ne pas préserver les détails de texture fins dans les images reconstruites. En réponse à ces limitations, nous proposons une architecture de réseau de fusion novatrice, appelée Réseau de Regroupement et Réseau Antagoniste Génératif (CL-GAN), conçu pour apprendre et intégrer simultanément les caractéristiques des segments d'image groupés et des entrées à basse résolution, améliorant ainsi le processus de reconstruction SR. Le cadre CL-GAN comprend deux composants principaux : un réseau local qui met l'accent sur l'extraction de caractéristiques des régions d'image groupées, et un réseau global construit sur un cadre GAN pour modéliser les caractéristiques globales de l'image. Pour améliorer davantage la récupération de texture, nous incorporons des mécanismes de connexion dense au sein des réseaux local et global, facilitant la préservation des détails fins dans les images SR générées. Des expériences approfondies menées sur des ensembles de données disponibles publiquement démontrent que le cadre CL-GAN proposé surpasse les méthodes existantes à la pointe de la technologie, fournissant des images SR supérieures avec une fidélité de détail et une qualité visuelle améliorées.