Cette thèse s’inscrit dans la dynamique des recherches menées par l’équipe MAS (Multimedia content Analysis and technologieS) d’Orange Labs (Rennes). L’équipe mène des travaux d’analyse de contenus multimédias afin d’en extraire des informations (méta-données) permettant de les indexer. Certaines de ces technologies ayant déjà des résultats au niveau de l’état de l’art, idée de ce travail de recherche est d’améliorer la qualité des images et des vidéos en amont.
La super-résolution permet d’augmenter la résolution d’une image tout en évitant l’apparition d’artefacts (flou, résonnance, bruit). C’est un champ de recherche exploré depuis plusieurs décennies, mais qui connait un intérêt croissant avec la multiplication des images (internet, appareils photos intégrés aux smartphones, webcams) et la demande croissante en haute définition. Les techniques usuelles issues du traitement du signal proposent de recaler et assembler des images basses résolution pour reconstruire une version haute résolution, ou encore d’interpoler efficacement une image basse résolution. Les méthodes plus récentes de l’état de l’art font appel à des méthodes statistiques et basées sur des outils d’apprentissage (réseaux de neurones, dictionnaires parcimonieux) issues des travaux sur l’analyse de données. Le but est donc d’explorer les possibilités qu’offrent ces nouvelles méthodes et de les utiliser afin d’améliorer les performances des technologies existantes.