Super résolution d'image par apprentissage profond

Abstract

La super résolution d'image (SRI) est un ensemble de techniques de traitement d'image utilisées pour améliorer la qualité des images dégradées. La dégradation peut être causée par un flou, un sous échantillonnage ou un bruit additif. Ces dernières années, les méthodes d'apprentissage en profondeur ont fait de grands progrès dans la super-résolution d'image. Notre travail s’inscrit dans le cadre d’algorithmes de super résolution d’images à base d’apprentissage profond. Plus exactement, nous implémenterons tout d’abord les techniques conventionnelles d’interpolation sur des images dégradées générées par un sous échantillonnage. Nous implémenterons ensuite les algorithmes de super résolution à base d’apprentissage profond (Deep Learning DL). Deux réseaux DL seront pris en considération : le réseau de neurone convolutif (SRCNN) et le réseau DL Content Adaptive Resampler (CAR). Les algorithmes seront appliqués sur des images de bases de données usuelles. Les métriques considérées pour l’étude des performances des algorithmes sont le rapport du signal maximum sur bruit (Peak signal ti noise ratio PSNR) et l’indice de structure de de similarité (Sturcture similarity index (SSIM). Les résultats obtenus ont bien montré l’intérêt de solliciter le deep learning en super résolution.