Les méthodes de super-résolution existantes supposent un processus de dégradation prédéfini des images haute résolution vers les images basse résolution, ce qui est difficile à appliquer aux images du monde réel avec des types de dégradation complexes. Pour résoudre ce problème, cet article propose un modèle de super-résolution aveugle basé sur la perception de la dégradation. Le modèle génère des images basse résolution en utilisant des noyaux de flou aléatoires et utilise l'apprentissage contrastif pour représenter la dégradation. Le générateur du modèle est composé de groupes résiduels contenant plusieurs blocs de perception de la dégradation. Les blocs de perception de la dégradation calculent une carte de poids spatiale via une attention croisée entre la représentation de la dégradation et les caractéristiques de l'image. De plus, le modèle recueille les caractéristiques hiérarchiques en sortie des groupes résiduels et calcule une attention inter-couches pour réutiliser les caractéristiques hiérarchiques, ce qui permet au modèle de se concentrer davantage sur les détails à haute fréquence et améliore ses capacités d'extraction des caractéristiques. L'efficacité des différents modules a été validée par des expériences d'ablation. Sur plusieurs ensembles de test internationaux ouverts, l'augmentation moyenne du PSNR est de 1,45 dB et celle du SSIM de 0,058 pour un facteur d'agrandissement de 4. Les résultats expérimentaux montrent que le modèle réalise des performances significatives sur la tâche de super-résolution aveugle et présente de bons résultats visuels.

super-résolution;super-résolution aveugle;attention croisée;attention spatiale;réutilisation des caractéristiques