Réseaux de Neurones Légers Multi-Échelle pour la Super-Résolution Stylisée d'Images

National audienceLes algorithmes de Super-Résolution (SR) pour le traitement d’images ont beaucoup progressé ces dernières années. L’utilisation de réseaux convolutifs profonds fournit actuellement les résultats les plus impressionnants. Cependant, très peu de ces techniques sont utilisées en pratique dans des logiciels d’infographie, du fait de pré-requis techniques importants (taille des réseaux en mémoire, calculs nécessitant des GPUs), mais aussi parce que l’utilisateur n’a que très peu de contrôle sur le résultat généré. Pour pallier ces problèmes, nous proposons une approche de super-résolution en deux temps, baptisée 'Super-Résolution stylisée ', qui repose sur une architecture multi-échelle composée de branches convolutives parallèles et indépendantes pour la génération d’images. Notre contribution est ainsi double, avec la description : i. d’un réseau léger inspiré des méthodes de filtrage classiques de traitement d’images, facilement utilisable sur des systèmes sans GPU et à capacité mémoire limitée ; ii. d’un réseau polyvalent et personnalisable, autorisant un contrôle fin de la stylisation du rendu