Super résolution

La super résolution va au-delà de la simple mise à l’échelle en utilisant des modèles d’apprentissage profond formés sur des images couplées basse résolution et haute résolution. Au cours de la formation, le modèle apprend la relation entre les correctifs basse résolution et leurs homologues haute résolution. Il découvre que certains motifs flous correspondent à des détails précis spécifiques : une tache particulière de pixels bruns et verts représente probablement des feuilles individuelles sur un arbre, et un motif de dégradé spécifique entre le rose et le blanc représente probablement les pores de la peau et les poils fins.\n\nLes applications de sécurité et médico-légales démontrent la valeur pratique de la super résolution. Une caméra de sécurité capture à distance une plaque d’immatriculation à basse résolution. La super résolution améliore l'image pour rendre les caractères individuels lisibles. Bien que les détails générés soient déduits plutôt que capturés, les prédictions du modèle sont suffisamment précises pour améliorer l'identification dans de nombreux cas, à condition que l'image originale contienne suffisamment d'informations à basse résolution.\n\nLes modèles à super résolution ont évolué à travers plusieurs architectures. SRCNN (2014) a démontré pour la première fois que les réseaux de neurones surpassaient la mise à l'échelle traditionnelle. EDSR aEDSRCAN améliore laRCANalité avec des réseaux plus profonds. Les approches plus récentes basées sur le transformateur et la diffusion génèrent des détails haute fréquence de plus en plus réalistes. Chaque génération produit des résultats plus convaincants et contient moins d'artefacts que la précédente.\n\nMagic Eraser leverMagic Erasermodèles de solution dans son pipeline AI Enhance. Lorsqu'il AI Enhanceaméliore une image basse résolution, le système applique une super résolution pour récupérer les détails fins que la capture originale n'a pas pu enregistrer. Ceci est particulièrement efficace pour restaurer d'anciennes photographies numérisées, améliorer les premières photos de smartphone et préparer des images Web basse résolution pour des tailles d'affichage ou d'impression plus grandes. Le modèle super résolution adapte sa génération de détails au type de contenu détecté dans chaque région d'image, produisant une texture de peau réaliste dans les portraits, un texte net dans les numérisations de documents et des détails naturels du feuillage dans les photographies de paysages plutôt que d'appliquer un modèle d'amélioration unique.