Deep Convolutional Networks para Reconstrução de Imagens em Super-Resolution
A necessidade de obter-se imagens em alta resolução existe em diversas áreas,como a medicina, astronomia, segurança e monitoramento sísmico. Entretanto, nemsempre as câmeras possuem a alta resolução desejada ou algum fator externo podereduzir a qualidade de uma imagem que se deseja estudar. Assim, diversos estudossurgiram na área de Super Resolução de imagens, cujo o objetivo é obter-se imagensde alta resolução a partir de imagens de baixa resolução utilizandosoftwaresparaessa tarefa. Os métodos comumente utilizados atualmente são baseados em apenasuma única imagem de entrada (single image super resolution(SISR)) e, a partirdo uso de técnicas dedeep learning, é possível treinar uma rede com o objetivode obter-se imagens de alta resolução com características similares ao conjunto detreino.O método proposto para esse trabalho utiliza dois ramos de convolução quese diferenciam na forma com a qual a imagem tem o seu fator de escala aumentadopela primeira vez na arquitetura proposta. Em um dos ramos utiliza-se a convoluçãotransposta e no outro a interpolação bicúbica. Após isso, em cada um dos ramos, osmapas de características passam por𝑛unidades deup and down-projectionparaposteriormente serem concatenados e ser aplicada uma última camada de convoluçãopara obter a imagem em alta resolução. Com esse tipo de estrutura podemos notarque o cenário com dois ramos consegue desempenho superior em termos de PSNRe SSIM quando comparados com o mesmo cenário com apenas um ramo quandoutilizamos𝑛= 1e𝑛= 4unidades deup and down-projection units. Para o cenáriocom𝑛= 6não houve diferenças significativas entre os modelos de um e dois ramos.