Afin de réduire l'impact de la perte d'informations à haute fréquence sur la reconstruction d'image et d'améliorer davantage l'extraction des informations caractéristiques, un réseau génératif basé sur un module de pooling de variance pyramidal a été construit. Tout d'abord, ce réseau exploite le pooling de variance à différents niveaux pour extraire les caractéristiques des images basse résolution, et combine une structure pyramidale pour obtenir des informations contextuelles à différentes échelles et sous-régions, enrichissant ainsi la quantité d'information caractéristique. Ensuite, une structure de connexions denses est utilisée pour renforcer la corrélation entre les caractéristiques afin d'améliorer la capacité expressive du réseau. Enfin, une opération de normalisation de groupe est introduite pour renforcer la convergence du réseau. Les résultats expérimentaux montrent que le modèle proposé surpasse les autres méthodes sur les ensembles de test publics Set5, Set14 et DIV2K100, avec une augmentation moyenne du PSNR de 0,509 dB et une amélioration moyenne de la similarité structurelle de 0,016 pour un facteur d'agrandissement de 4. Le modèle proposé améliore non seulement le PSNR et la similarité structurelle, mais aussi les images reconstruites offrent plus de détails réalistes en termes d'effets visuels.

super-résolution d'image;réseau antagoniste génératif;pooling de variance;connexions denses