Con la aplicación de redes generativas adversarias en el campo de la súper resolución de imágenes (SR), algunos métodos de SR impulsados por percepción pueden restaurar imágenes SR con detalles de textura más ricos, alivian eficazmente el problema de que las imágenes reconstruidas tienden a ser suaves en los métodos SR dominados por PSNR. Sin embargo, la información de gradiente, como una forma importante de expresión de la textura de la imagen, rara vez es utilizada con precisión y eficiencia en los métodos SR. Por ello, se propone un algoritmo de superresolución de imágenes basado en percepción de gradiente (GASR), que puede usar la información de gradiente con mayor precisión. Por un lado, se usa el mapa de características del dominio de gradiente como núcleo convolucional que actúa sobre el mapa de características del dominio de imagen, evitando eficazmente el problema de conflicto de dominio causado por la concatenación de mapas de características de diferentes dominios; por otro lado, mediante el ajuste de detalles de diseño como el tamaño del núcleo convolucional, se hace que los campos receptivos de los mapas de características de dominio de imagen y dominio de gradiente en las posiciones correspondientes en dos ramas sean coherentes. Además, debido a la creciente demanda de ligereza de la red en aplicaciones prácticas, el algoritmo GASR propuesto reduce eficazmente la cantidad de parámetros y cálculos. En comparación con SPSR, que también utiliza información de gradiente, GASR finalmente alcanza un rendimiento similar con aproximadamente 1/6 de los parámetros y 1/10 de la cantidad de cálculo. En el conjunto de datos Set14, LPIPS y PSNR se mejoraron en 0.0022 y 0.217 respectivamente. Los resultados experimentales verifican que GASR puede lograr un buen equilibrio entre la generación de texturas y la suavidad de la imagen, y los efectos visuales también demuestran que GASR no solo puede restaurar imágenes SR con precisión, sino que también en cierta medida mitiga la generación de texturas caóticas.

superresolución de imagen; gradiente; aprendizaje profundo; redes generativas adversarias