Avec l'application des réseaux antagonistes génératifs dans le domaine de la super-résolution d'images (SR), certaines méthodes SR basées sur la perception peuvent restaurer des images SR avec des détails de texture plus riches, atténuant efficacement le problème des images reconstruite trop lisses causé par les méthodes SR dominées par le PSNR. Cependant, les informations de gradient, en tant que forme importante d'expression de la texture de l'image, sont rarement utilisées avec précision et efficacité dans les méthodes SR. À cet égard, une méthode de super-résolution d'image basée sur la perception du gradient (GASR) est proposée, qui peut exploiter les informations de gradient plus précisément. D'une part, une carte de caractéristiques du domaine du gradient est utilisée comme noyau convolutif agissant sur la carte de caractéristiques du domaine image, évitant efficacement le problème de conflit de domaine dû à la concaténation de cartes de caractéristiques de domaines différents ; d'autre part, en ajustant les détails de conception tels que la taille du noyau convolutif, le champ réceptif des cartes de caractéristiques des domaines image et gradient aux positions correspondantes des deux branches est rendu cohérent. De plus, en raison des exigences croissantes pour la légèreté du réseau dans les applications pratiques, l'algorithme GASR proposé réduit également efficacement le nombre de paramètres et la quantité de calcul. Par rapport à SPSR, qui utilise également les informations de gradient, GASR atteint des performances similaires avec environ 1/6 des paramètres et 1/10 de la quantité de calcul. Sur l'ensemble de données Set14, LPIPS et PSNR ont respectivement été améliorés de 0,0022 et 0,217. Les résultats expérimentaux confirment que GASR peut atteindre un bon équilibre entre la génération de textures et la douceur de l'image, et les résultats visuels montrent que GASR peut non seulement restaurer précisément les images SR, mais aussi atténuer dans une certaine mesure la génération de textures désordonnées.

super-résolution d'image; gradient; apprentissage profond; réseaux antagonistes génératifs