Deep Plug-and-Play Gradient Method for Super-Resolution

In diversi settori sono necessarie immagini ad alta risoluzione. Per risoluzione non intendiamo solamente le dimensioni spaziali in pixel dell'immagine ma anche la qualità dell'immagine stessa, priva di distorsioni e/o rumore. Solitamente immagini di questo tipo si possono ottenere usando apparecchiature di acquisizione munite di sensori ad alta precisione, in grado di convertire in digitale i dati analogici. Spesso, per limitazioni fisiche ed economiche, la qualità raggiunta dagli strumenti è ben lontana da quella richiesta per le varie applicazioni. Per risolvere questo problema sono state sviluppate numeroso tecniche comunemente dette di Super-Resolution. Lo scopo di questi metodi è di ricostruire un'immagine in alta risoluzione (HR) da un'immagine acquisita ad una risoluzione più bassa (LR). Sono due gli obiettivi principali di questa tesi. Il primo è quello di studiare e valutare come è possibile combinare tecniche classiche con le recenti innovazioni nell'ambito del deep learning applicato alla ricostruzione di immagini. Il secondo è quello di estendere una classe di metodi detti plug-and-play, introducendo un regolarizzatore delle derivate. Per questi motivi, abbiamo deciso di chiamare Deep Plug-and-Play Gradient Method l'algoritmo risultante da questo lavoro di ricerca. Vogliamo puntualizzare che il metodo proposto può essere utilizzato in molti problemi che hanno una formulazione matematica simile al problema di super-risoluzione. In questa tesi abbiamo preferito concentrarci ed implementare solamente una versione per la Super-Resolution.