Read more
La super-résolution image/vidéo est un domaine de recherche privilégié ces derniers temps. Leurs applications incluent la TVHD, le codage d'images, le redimensionnement d'images, la manipulation d'images, la télédétection, la reconnaissance faciale, l'astronomie et la surveillance. L'objectif est d'augmenter la résolution de l'image/vidéo grâce au suréchantillonnage, au débrouillage, au débruitage, à l'apprentissage en profondeur, etc. . Plus de 30 réseaux de neurones convolutifs (CNN) à super-résolution à la pointe de la technologie sur trois jeux de données classiques et trois jeux de données difficiles récemment introduits pour comparer la super-résolution d'image unique ont été analysés de manière exhaustive avec ses avantages et ses inconvénients. Une taxonomie avec neuf catégories pour les réseaux DeepCNSR a été introduite, y compris les conceptions linéaires, résiduelles, multi-branches, récursives, progressives, basées sur l'attention et contradictoires. La complexité du réseau, l'empreinte mémoire, l'entrée et la sortie du modèle, les détails d'apprentissage, le type de pertes de réseau et les différences architecturales importantes (par exemple, la profondeur, les connexions de saut, les filtres) de chaque modèle ont été étudiés de manière comparative.
About the author
Sangita Roy è professore associato presso il Dipartimento ECE del Narula Institute of Technology, India. Ha un'esperienza di insegnamento di oltre ventisei anni. È stata per due anni alla Bells Controls Limited (industria della strumentazione) e per due anni al West Bengal State Centre, IEI (Kolkata) come coordinatore tecnico.
