superresolutienetwerken

Superresolutienetwerken zijn neurale netwerken die zijn ontworpen om de ruimtelijke resolutie van beelden of video te verhogen. Ze leveren een hoger-resolutie uitvoer uit een laag-resolutie invoer door een leerbare mapping tussen LR en HR beelden. De netwerken worden doorgaans getraind op paren van LR- en HR-beelden, waarbij de HR-versies vaak synthetisch verkregen zijn door af te maten of te vervormen.

Er bestaan twee hoofdtypen: single-image super-resolution (SISR) en video super-resolution (VSR). SISR behandelt elk frame onafhankelijk, terwijl VSR de temporele informatie over meerdere frames gebruikt om consistente en betere details te reconstrueren.

Architecturen variëren van vroege convolutionele netwerken zoals SRCNN en VDSR tot diepere modellen zoals EDSR en RCAN, en Generative Adversarial Networks zoals SRGAN en ESRGAN die zich richten op realistische textuur. Recente benaderingen gebruiken ook transformer-gebaseerde netwerken. Veel methoden combineren pixelgewijze losses met perceptual loss (via features uit een beeldnetwerk) en adversarial loss om zowel nauwkeurigheid als visuele kwaliteit te verbeteren.

Evaluatie gebeurt vaak met PSNR en SSIM, maar deze maten correleren niet altijd met perceptuele kwaliteit. GAN-gebaseerde SR-methoden kunnen hogere subjectieve kwaliteit leveren terwijl de PSNR lager kan uitvallen. Toepassingen omvatten fotografie, videobewerking, medische beeldvorming, satelliet- en surveillancesystemen. Uitdagingen zijn onder meer hallucinatie van details, artefacten, generalisatie naar onbekende data en de hoge rekeneisen.

Trends omvatten snellere en lichtere modellen, multi-scale benaderingen en het gebruik van zelf- of semi-supervised leerstrategieën; recente ontwikkelingen integreren transformer-architecturen voor betere contextmodellering.