Para abordar o problema do grande número de parâmetros dos métodos atuais de reconstrução de super-resolução de imagens baseados em aprendizado profundo, e baseado nas Deep Laplacian Pyramid Networks (LapSRN), propõe-se uma rede neural convolucional de pirâmide laplaciana leve para reconstrução de super-resolução de imagens. Primeiro, extrai-se características rasas da imagem de baixa resolução (Low Resolution Image, LR) de entrada. Em seguida, utiliza-se uma estrutura de bloco recursivo com conexões de salto homogêneas que permitem o compartilhamento de parâmetros para extrair progressivamente características mais profundas a partir das rasas e inferir uma imagem residual contendo informações de alta frequência (Residual Image, RI). Depois, aplica-se upsampling por convolução transposta sobre RI e LR de entrada, e os dois são somados pixel a pixel para obter a imagem de super-resolução (Super Resolution Image, SR). O método possui um total de parâmetros que representa apenas 3,98% do LapSRN em três níveis de ampliação, aumentando a razão sinal-ruído máxima (Peak Signal to Noise Ratio, PSNR) em 0,0313 dB para super-resolução 4x de imagens de sensoriamento remoto de Marte, e 0,1167 dB para super-resolução 8x. O método proposto reduz a quantidade de parâmetros da rede em 81,6% para fator 2, 90,8% para fator 4 e 88,8% para fator 8, mantendo basicamente o efeito de reconstrução de super-resolução.

Leve;rede neural convolucional;reconstrução de super-resolução;pirâmide laplaciana de imagens