Com a aplicação de redes generativas adversárias no campo da super-resolução de imagens (SR), alguns métodos de SR orientados pela percepção podem restaurar imagens SR com detalhes de textura mais ricos, aliviando eficazmente o problema de que os métodos de SR dominados pelo PSNR tendem a produzir imagens reconstruídas suavizadas. No entanto, as informações de gradiente, como uma forma importante de expressão da textura da imagem, raramente são utilizadas de forma precisa e eficiente em métodos de SR. Para isso, é proposto um algoritmo de super-resolução de imagens baseado na percepção de gradiente (GASR), que pode utilizar as informações de gradiente de forma mais precisa. Por um lado, um mapa de características do domínio do gradiente é usado como núcleo convolucional que atua sobre o mapa de características do domínio da imagem, evitando efetivamente o problema de conflito de domínio causado pela concatenação de mapas de características de diferentes domínios; por outro lado, através do ajuste de detalhes de design como o tamanho do núcleo convolucional, a área receptiva das características dos domínios da imagem e do gradiente nas posições correspondentes em dois ramos é sincronizada. Além disso, devido à crescente demanda por redes leves em aplicações práticas, o algoritmo GASR proposto também reduz efetivamente a quantidade de parâmetros e o custo computacional. Em comparação com o SPSR, que também utiliza informações de gradiente, o GASR finalmente alcançou desempenho semelhante com cerca de 1/6 dos parâmetros e 1/10 do custo computacional. No conjunto de dados Set14, LPIPS e PSNR melhoraram 0,0022 e 0,217, respectivamente. Os resultados experimentais verificaram que o GASR pode alcançar um bom equilíbrio entre a geração de texturas e a suavidade da imagem, e os efeitos visualizados também verificaram que o GASR não só pode restaurar imagens SR com precisão, mas também mitiga, em certa medida, a geração de texturas caóticas.

super-resolução de imagem; gradiente; aprendizado profundo; redes generativas adversárias