Les algorithmes actuels de reconstruction d'images en super-résolution souffrent encore de la perte d'informations haute fréquence et de l'augmentation du bruit dans les images reconstruites. Cet article propose un modèle de reconstruction d'image en super-résolution basé sur le codage parcimonieux convolutionnel et les réseaux antagonistes génératifs. Tout d'abord, un réseau convolutif est utilisé pour réaliser un codage parcimonieux et obtenir une représentation parcimonieuse de l'image, exploitant pleinement les informations a priori de l'image, ce qui évite efficacement la perte d'informations haute fréquence et l'augmentation du bruit dans les images reconstruites ; après avoir obtenu la représentation parcimonieuse de l'image basse résolution, un module de reconstruction est utilisé pour reconstruire l'image en super-résolution ; ensuite, un discriminateur évalue l'image reconstruite, atténuant le problème des images trop lissées causé par les algorithmes dominés par le PSNR. Après un entraînement antagoniste continu, l'image finale reconstruite présente de meilleurs effets visuels. Cet article réalise des expériences de reconstruction super-résolution 2x et 4x sur les ensembles de données de test généraux Set5, Set14, BSD100 et Urban100, et les compare aux méthodes Bicubic, SRGAN, EDSR et ESRGAN. Par rapport à la méthode ESRGAN, le modèle proposé améliore en moyenne le PSNR d'environ 0,7028 dB sur les 4 ensembles de données, le SSIM moyen de 0,047 et le LPIPS moyen de 0,016. Les résultats expérimentaux montrent que le modèle proposé est très compétitif, capable de restaurer plus de détails fins et offre une meilleure netteté.

traitement d'images; super-résolution d'images; représentation parcimonieuse; réseaux antagonistes génératifs