(EN) A super-resolution method and apparatus, a terminal device, and a storage medium, relating to the technical field of deep learning, and capable of reducing the amount of computation. The super-resolution method comprises: inputting a low-resolution image to be processed into a trained classification and super-resolution network model for processing, and outputting to obtain a high-resolution image corresponding to the low-resolution image, wherein the classification and super-resolution network model comprises a classification model and multiple super-resolution network models having different complexity, and the process of processing the low-resolution image by the classification and super-resolution network model comprises: segmenting the low-resolution image into multiple subimages; for each subimage, determining the complexity of the subimage according to the classification model, inputting the subimage into the super-resolution network model corresponding to the complexity of the subimage among the multiple super-resolution network models for processing, and outputting to obtain a reconstructed image of the subimage; and stitching the reconstructed image of each subimage to obtain a high-resolution image.
(FR) Procédé et appareil de super-résolution, dispositif terminal et support de stockage, se rapportant au domaine technique de l'apprentissage profond, et capables de réduire la quantité de calcul. Le procédé de super-résolution consiste à : entrer une image à basse résolution à traiter dans un modèle de classification et de réseau de super-résolution entraîné pour un traitement, et délivrer en sortie pour obtenir une image à haute résolution correspondant à l'image à basse résolution, le modèle de classification et de réseau de super-résolution comprenant un modèle de classification et de multiples modèles de réseau de super-résolution ayant une complexité différente, et le processus de traitement de l'image à basse résolution par le modèle de classification et de réseau de super-résolution consistant à : segmenter l'image à basse résolution en de multiples sous-images; pour chaque sous-image, déterminer la complexité de la sous-image selon le modèle de classification, entrer la sous-image dans le modèle de réseau de super-résolution correspondant à la complexité de la sous-image parmi les multiples modèles de réseau de super-résolution pour un traitement, et délivrer en sortie pour obtenir une image reconstruite de la sous-image; et assembler l'image reconstruite de chaque sous-image pour obtenir une image à haute résolution.
(ZH) 一种超分辨率方法、装置、终端设备及存储介质，涉及深度学习技术领域，能够降低计算量。该超分辨率方法包括：将待处理的低分辨率图像输入已训练的分类超分网络模型中处理，输出得到与低分辨率图像对应的高分辨率图像；其中，分类超分网络模型包括分类模型和复杂度不同的多个超分辨网络模型，分类超分网络模型对低分辨率图像的处理过程包括：将低分辨率图像切割为多个子图像；针对每个子图像，根据分类模型确定子图像的复杂度，并将子图像输入到多个超分辨网络模型中与子图像的复杂度对应的超分辨网络模型中处理，输出得到子图像的重建图像；将每个子图像的重建图像进行拼接，得到高分辨率图像。
