Les méthodes existantes de super-résolution d’image unique basées sur des modèles probabilistes de diffusion présentent des insuffisances dans l’extraction des informations spatiales, n’exploitent pas suffisamment les informations pertinentes et montrent des redondances dans le calcul. Cet article propose une méthode de super-résolution d’image unique intégrant un réseau d’attention multidimensionnelle. Tout d'abord, sur la base du modèle de diffusion SRDiff, une attention multidimensionnelle est proposée, combinant attention de canal, auto-attention et attention spatiale, améliorant la capacité du modèle à capturer les caractéristiques à différentes échelles, permettant ainsi de conserver plus de détails et une meilleure cohérence globale lors de la restitution d’images haute résolution. Ensuite, l’introduction de la convolution partielle (PConv) permet d’extraire précisément les caractéristiques spatiales de l’image, améliorant la qualité des résultats de super-résolution tout en réduisant considérablement la charge de calcul, ce qui augmente l’efficacité du modèle. Avec un facteur d’agrandissement de 4, la méthode a été comparée à d’autres sur 5 jeux de tests, les résultats montrent une amélioration moyenne de 0,762 dB du PSNR et de 0,082 de la similarité structurelle (SSIM) par rapport aux autres méthodes. La méthode proposée offre subjectivement plus de détails fins et un meilleur rendu visuel, et objectivement des valeurs plus élevées de PSNR et de SSIM.

super-résolution; modèle de diffusion; réseau d’attention multidimensionnelle; convolution partielle