Os algoritmos existentes de reconstrução de imagens de super-resolução ainda apresentam problemas de perda de informações de alta frequência e aumento de ruído nas imagens reconstruídas. Neste artigo, propomos um modelo de reconstrução de imagens de super-resolução baseado em codificação esparsa convolucional e redes generativas adversariais. Primeiramente, é utilizada uma rede convolucional para realizar a codificação esparsa e obter uma representação esparsa da imagem, aproveitando plenamente as informações a priori da imagem, evitando efetivamente a perda de informações de alta frequência e o aumento de ruído nas imagens reconstruídas; após obter a representação esparsa da imagem de baixa resolução, a imagem de super-resolução é reconstruída através do módulo de reconstrução; em seguida, o discriminador avalia a imagem reconstruída, atenuando o problema de suavização das imagens causado por algoritmos dominados pelo PSNR. Após treinamento adversarial contínuo, a imagem reconstruída final possui efeitos visuais melhores. Realizamos experimentos de reconstrução de super-resolução 2x e 4x nos conjuntos de dados gerais de teste Set5, Set14, BSD100 e Urban100, comparando-os com Bicubic, SRGAN, EDSR e ESRGAN. Em comparação com o método ESRGAN, o modelo proposto melhora em média o PSNR em cerca de 0,7028 dB nos 4 conjuntos de dados, o SSIM médio em cerca de 0,047 e o LPIPS médio em 0,016. Os resultados experimentais mostram que o modelo proposto possui forte competitividade, sendo capaz de restaurar mais detalhes finos de textura e apresentando melhor nitidez.

processamento de imagem; super-resolução de imagem; representação esparsa; redes generativas adversariais