Contenu <\/p>\nToggle<\/span>

Pourquoi ESRGAN pour les images a\u00e9riennes ?<\/a>
- ESRGAN peut :<\/a><\/li><\/ul><\/li>
- Comment fonctionne ESRGAN ? (en version simple)<\/a><\/li>
- Exemple : super-r\u00e9solution x4 sur une photo a\u00e9rienne (g\u00e9n\u00e9rique)<\/a><\/li>
- Utiliser Real-ESRGAN-ncnn-vulkan sous Windows<\/a><\/li>
- 1) T\u00e9l\u00e9chargement & pr\u00e9paration (rapide)<\/a><\/li>
- 2) Commande de base et param\u00e8tres (expliqu\u00e9s)<\/a><\/li>
- 3) Pipeline pour images g\u00e9or\u00e9f\u00e9renc\u00e9es (m\u00e9thode simple et fiable)<\/a>
  - \u00c9tapes (manuelles)<\/a><\/li><\/ul><\/li>
  - 4) Script batch Windows (automatique pour tout un dossier)<\/a><\/li>
  - 5) Conseils & pi\u00e8ges \u00e0 \u00e9viter<\/a><\/li>
  - 6) Ajouter GFPGAN (facultatif)<\/a><\/li>
  - Int\u00e9gration dans QGIS<\/a>
    - 1. Via le traitement Python (Processing Toolbox)<\/a><\/li>
    - 2. Via un plugin externe<\/a><\/li>
    - 3. Via un workflow R\/W d\u2019images<\/a><\/li><\/ul><\/li>
    - Avantages<\/a><\/li>
    - Limites<\/a><\/li>
    - Vers un ESRGAN sp\u00e9cialis\u00e9 \u201cimages a\u00e9riennes\u201d ?<\/a><\/li>
    - Conclusion<\/a><\/li><\/ul><\/nav><\/div>\n\n\n\n\n
      \n\n\n\n
      Dans cet article, nous allons explorer comment ESRGAN permet d\u2019am\u00e9liorer la r\u00e9solution d\u2019anciennes images a\u00e9riennes, quels sont ses avantages, ses limites, et comment l\u2019utiliser dans une cha\u00eene de traitement compatible QGIS.<\/p>\n\n\n\n
      \n\n\n\n
      <\/span>Pourquoi ESRGAN pour les images a\u00e9riennes ?<\/strong><\/span><\/h2>\n\n\n\n
      Contrairement aux algorithmes classiques de r\u00e9-\u00e9chantillonnage (bicubique, bilin\u00e9aire), ESRGAN ne se contente pas d\u2019agrandir l\u2019image<\/strong>.
      Il reconstruit<\/em> les d\u00e9tails manquants en s\u2019appuyant sur un apprentissage profond \u00e0 partir de milliers d\u2019images haute r\u00e9solution.<\/p>\n\n\n\n
      <\/span>ESRGAN peut :<\/span><\/h3>\n\n\n\n\n
      reconstituer les textures des toits, routes, champs, littoraux<\/li>\n\n\n\n
      affiner les lignes (berges, b\u00e2timents, limites agricoles)<\/li>\n\n\n\n
      rendre lisibles de petites structures autrement invisibles<\/li>\n\n\n\n
      am\u00e9liorer la qualit\u00e9 des orthophotos anciennes num\u00e9ris\u00e9es<\/li>\n\n\n\n
      pr\u00e9parer des images pour la segmentation ou la classification automatique<\/li>\n<\/ul>\n\n\n\n
      Pour les g\u00e9omaticiens, c\u2019est un changement d\u2019\u00e9chelle :
      on peut enfin tirer parti d\u2019images a\u00e9riennes anciennes dont la qualit\u00e9 \u00e9tait jusqu’ici un frein.<\/strong><\/p>\n\n\n\n
      \n\n\n\n
      <\/span>Comment fonctionne ESRGAN ? (en version simple)<\/strong><\/span><\/h2>\n\n\n\n
      ESRGAN repose sur deux r\u00e9seaux neuronaux :<\/p>\n\n\n\n
      \n
      Un g\u00e9n\u00e9rateur<\/strong> qui tente de produire une version haute r\u00e9solution r\u00e9aliste.<\/li>\n\n\n\n
      Un discriminateur<\/strong> qui essaie de distinguer les images g\u00e9n\u00e9r\u00e9es des images r\u00e9elles haute r\u00e9solution.<\/li>\n<\/ul>\n\n\n\n
      Les deux s\u2019am\u00e9liorent mutuellement, jusqu\u2019\u00e0 produire une image d\u00e9taill\u00e9e, nette et coh\u00e9rente.<\/p>\n\n\n\n
      ESRGAN est particuli\u00e8rement int\u00e9ressant pour les photographies a\u00e9riennes car :<\/p>\n\n\n\n
      \n
      il apprend des textures naturelles (sols, toitures, v\u00e9g\u00e9tation)<\/li>\n\n\n\n
      il g\u00e8re bien le bruit<\/li>\n\n\n\n
      il limite les artefacts propres aux anciens scannages (grain, halos)<\/li>\n<\/ul>\n\n\n\n
      \n\n\n\n
      <\/span>Exemple : super-r\u00e9solution x4 sur une photo a\u00e9rienne (g\u00e9n\u00e9rique)<\/strong><\/span><\/h2>\n\n\n\n
      Nous partons d\u2019une image a\u00e9rienne num\u00e9ris\u00e9e en 512\u00d7512 px.<\/p>\n\n\n\n
      \n
      R\u00e9solution d\u2019origine : floue<\/strong>, d\u00e9tails effac\u00e9s<\/li>\n\n\n\n
      ESRGAN \u00d74 \u2192 sortie en 2048\u00d72048 px<\/li>\n\n\n\n
      Am\u00e9liorations observ\u00e9es :\n
      \n
      meilleure lecture des parcelles<\/li>\n\n\n\n
      contours des toits plus nets<\/li>\n\n\n\n
      routes et pistes clairement visibles<\/li>\n\n\n\n
      textures du sol mieux reconstitu\u00e9es<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n
      \n
      $\"\"$ <\/a>
      Image de 1960<\/figcaption><\/figure>\n<\/div>\n\n
      \n
      $\"\"$ <\/a>
      Image de 1948<\/figcaption><\/figure>\n<\/div>\n\n\n
      \n\n\n\n
      <\/span>Utiliser Real-ESRGAN-ncnn-vulkan<\/strong> sous Windows<\/span><\/h2>\n\n\n\n
      Nous allons voir :<\/p>\n\n\n\n
      \n
      t\u00e9l\u00e9chargement & dossier<\/li>\n\n\n\n
      commande de base et param\u00e8tres utiles<\/li>\n\n\n\n
      pipeline \u00ab image g\u00e9or\u00e9f\u00e9renc\u00e9e \u2192 SR \u2192 GeoTIFF \u00bb (automatique)<\/li>\n\n\n\n
      script batch Windows pr\u00eat \u00e0 coller<\/li>\n\n\n\n
      conseils \/ pi\u00e8ges \u00e0 \u00e9viter et options avanc\u00e9es<\/li>\n\n\n\n
      option : encha\u00eener GFPGAN (restauration visages\/d\u00e9tails)<\/li>\n<\/ol>\n\n\n\n
      \n\n\n\n
      <\/span>1) T\u00e9l\u00e9chargement & pr\u00e9paration (rapide)<\/span><\/h2>\n\n\n\n
      \n
      T\u00e9l\u00e9charger l\u2019archive realesrgan-ncnn-vulkan<\/strong> depuis la **page Releases du projet<\/a> (fichier `realesrgan-ncnn-vulkan-*-windows.zip<\/code>).<\/li>\n\n\n\n`
      `D\u00e9zipper dans C:\\SR\\realesrgan-ncnn-vulkan-20220424-windows<\/code> par exemple.<\/li>\n\n\n\n`
      `Mettre les images d\u2019entr\u00e9e dans C:\\SR\\input\\<\/code> (formats PNG\/JPG\/TIF).<\/li>\n\n\n\n`**
      `Cr\u00e9er C:\\SR\\output\\<\/code> pour les r\u00e9sultats.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n`
      <\/span>2) Commande de base et param\u00e8tres (expliqu\u00e9s)<\/span><\/h2>\n\n\n\n
      Commande minimale (x4, mod\u00e8le `realesrgan-x4plus<\/code>):<\/p>\n\n\n`
      `<\/div>`
      <\/div>
      <\/div><\/div>
      <\/p>\n\n\n\n
      .\\realesrgan-ncnn-vulkan.exe -i C:\\SR\\input\\image.png -o C:\\SR\\output\\image_x4.png -n realesrgan-x4plus\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n Param\u00e8tres utiles :<\/p>\n\n\n\n \n-i <chemin><\/code> : image d\u2019entr\u00e9e<\/li>\n\n\n\n -o <chemin><\/code> : image de sortie<\/li>\n\n\n\n -n <nom_modele><\/code> : mod\u00e8le (realesrgan-x4plus<\/code>, realesrnet-x4plus<\/code>, realesrgan-x4plus-anime<\/code>, etc.)<\/li>\n\n\n\n -s <scale><\/code> : facteur d\u2019agrandissement (parfois g\u00e9r\u00e9 par le mod\u00e8le; garde -s 4<\/code> pour x4)<\/li>\n\n\n\n -tile <N><\/code> : taille de tuile (ex. -tile 200<\/code>) \u2014 r\u00e9duit l\u2019utilisation m\u00e9moire GPU\/CPU, utile pour grandes images<\/li>\n\n\n\n -t <N><\/code> : threads CPU (optionnel)<\/li>\n\n\n\n -g <index><\/code> : index GPU (si plusieurs)<\/li>\n\n\n\n --help<\/code> : affiche toutes les options<\/li>\n<\/ul>\n\n\n\nConseil : si votre machine n\u2019est pas tr\u00e8s puissante, passez -tile 150<\/code> ou -tile 100<\/code>.<\/p>\n\n\n\n \n\n\n\n<\/span>3) Pipeline pour images g\u00e9or\u00e9f\u00e9renc\u00e9es (m\u00e9thode simple et fiable)<\/span><\/h2>\n\n\n\nPrincipe<\/strong> : on effectue l\u2019upscale sur l\u2019image raster (PNG\/TIF) puis on recr\u00e9e un GeoTIFF en r\u00e9appliquant l\u2019enveloppe g\u00e9ographique (bounds)<\/strong> de l\u2019image source, ce qui conserve la g\u00e9om\u00e9trie spatiale et ajuste la r\u00e9solution au facteur d\u2019agrandissement.<\/p>\n\n\n\n <\/span>\u00c9tapes (manuelles)<\/span><\/h3>\n\n\n\n\nR\u00e9cup\u00e9rer l\u2019enveloppe (bounds) et la CRS de l\u2019original : gdalinfo -json C:\\SR\\input\\image.tif > info.json<\/code> ou directement lire Upper Left (ulx, uly)<\/code> et Lower Right (lrx, lry)<\/code> depuis gdalinfo image.tif<\/code>.<\/li>\n\n\n\n Lancer Real-ESRGAN sur l\u2019image (image_non_geo.png ou convertie) : .\\realesrgan-ncnn-vulkan.exe -i C:\\SR\\input\\image.png -o C:\\SR\\output\\image_x4.png -n realesrgan-x4plus -tile 150<\/code><\/li>\n\n\n\n Recr\u00e9er un GeoTIFF avec la m\u00eame enveloppe mais nouvelle taille : Si l\u2019enveloppe d\u2019origine est (ulx, uly, lrx, lry), r\u00e9utilise-la. Exemple : gdal_translate -of GTiff -a_srs EPSG:XXXXX -a_ullr ulx uly lrx lry C:\\SR\\output\\image_x4.png C:\\SR\\output\\image_x4_georef.tif<\/code>\n\n-a_srs EPSG:XXXXX<\/code> : la CRS de l\u2019original (ex. EPSG:4326<\/a><\/code> ou EPSG:3857<\/code>)<\/li>\n\n\n\n -a_ullr ulx uly lrx lry<\/code> : coins en coordonn\u00e9es spatiales (Upper Left X,Y ; Lower Right X,Y)<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\nPourquoi \u00e7a marche<\/strong> : on applique l\u2019enveloppe g\u00e9ographique d\u2019origine \u00e0 l\u2019image super-r\u00e9solue. La nouvelle taille en pixels\/px correspondra automatiquement \u00e0 une nouvelle r\u00e9solution spatiale (pixel size = original_pixel_size \/ scale).<\/p>\n\n\n\n\nRemarque : si vous voulez \u00eatre extr\u00eamement pr\u00e9cis sur le header geo-transform plut\u00f4t que -a_ullr<\/code>, on peut calculer et appliquer la nouvelle<\/strong> geotransform via gdal_edit.py -a_ullr<\/code> ou en utilisant un script Python GDAL<\/a>, mais gdal_translate -a_ullr<\/code> est simple et robuste.<\/p>\n<\/blockquote>\n\n\n\n \n\n\n\n<\/span>4) Script batch Windows (automatique pour tout un dossier)<\/span><\/h2>\n\n\n\nCollez le fichier suivant dans C:\\SR\\run_sr_georef.bat<\/code>, modifiez les chemins et la projection<\/a> utilis\u00e9e, puis ex\u00e9cutez.<\/p>\n\n\n <\/div>run_sr_georef.bat<\/div><\/div><\/div><\/p>\n\n\n\n@echo off\nsetlocal enabledelayedexpansion\n\nset OUTDIR=output\nif not exist %OUTDIR% mkdir %OUTDIR%\n\nREM === Boucle sur tous les tif de input ===\nfor %%F in (input\\*.tif) do (\n echo -------------------------------\n echo Traitement de : %%F\n\n set BASENAME=%%~nF\n\n REM === Extraction coordonn\u00e9es ===\n for \/f \"tokens=2,3,4,5 delims=(,)\" %%a in ('gdalinfo \"%%F\" ^| find \"Upper Left\"') do (\n set ULX=%%a\n set ULY=%%b\n )\n\n for \/f \"tokens=2,3,4,5 delims=(,)\" %%a in ('gdalinfo \"%%F\" ^| find \"Lower Right\"') do (\n set LRX=%%a\n set LRY=%%b\n )\n\n echo ULX=!ULX!\n echo ULY=!ULY!\n echo LRX=!LRX!\n echo LRY=!LRY!\n\n REM === 1. Extraction PNG temporaire ===\n gdal_translate -of PNG \"%%F\" temp.png\n\n REM === 2. Super-r\u00e9solution ===\n C:\\SR\\realesrgan-ncnn-vulkan-20220424-windows<\/mark>\\realesrgan-ncnn-vulkan.exe -i temp.png -o temp_sr.png -s 4\n\n REM === 3. Conversion en TIF g\u00e9or\u00e9f\u00e9renc\u00e9 ===\n gdal_translate temp_sr.png \"%OUTDIR%\\!BASENAME!_sr.tif\" -a_ullr !ULX! !ULY! !LRX! !LRY! -a_srs EPSG:2154<\/mark>\n\n echo Resultat : %OUTDIR%\\!BASENAME!_sr.tif\n echo DONE\n)\n\nREM === Suppression fichiers temporaires ===\ndel temp.png\ndel temp_sr.png\n\n\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n<\/a><\/figure>\n\n\n\nRemarques<\/strong> :<\/p>\n\n\n\n \nCe script suppose que gdalinfo.exe<\/code> et gdal_translate.exe<\/code> sont trouvables (ajoutez les chemins si besoin). <\/li>\n\n\n\n Le script convertit d\u2019abord en PNG pour \u00e9viter certains TIF avec compressions exotiques qui feraient \u00e9chouer l\u2019ex\u00e9cutable.<\/li>\n\n\n\n -a_ullr<\/code> reprend les bounds exacts. Si l\u2019original avait un geotransform l\u00e9g\u00e8rement non-axial (rotation), -a_ullr<\/code> perdrait la rotation ; cas rare en orthophoto : si rotation, il faudra script GDAL Python plus avanc\u00e9.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>5) Conseils & pi\u00e8ges \u00e0 \u00e9viter<\/span><\/h2>\n\n\n\n\nConserver l\u2019original<\/strong> : ne travaillez jamais sur l\u2019original \u2014 gardez une copie.<\/li>\n\n\n\n Mauvaise compression \/ TIF exotiques<\/strong> : convertir en PNG est souvent plus s\u00fbr.<\/li>\n\n\n\n Rotation \/ shearing<\/strong> : -a_ullr<\/code> suppose pas de rotation. Pour images g\u00e9or\u00e9f\u00e9r\u00e9es avec rotation, il faut plut\u00f4t r\u00e9\u00e9crire la geotransform compl\u00e8te \u2192 script Python GDAL pour appliquer SetGeoTransform<\/code>. Dis-moi si tu as ce cas.<\/li>\n\n\n\n Hallucinations<\/strong> : ES(R)GAN peut inventer des d\u00e9tails non r\u00e9els \u2014 v\u00e9rifier visuellement et documenter le traitement.<\/li>\n\n\n\n Taille \u00e9norme<\/strong> : pour images tr\u00e8s grandes (>10000 px), utilisez -tile<\/code> petit (50\u2013150) et assez de RAM\/temp disk.<\/li>\n\n\n\n M\u00e9tadonn\u00e9es<\/strong> : le GeoTIFF final n\u2019inclut pas automatiquement les m\u00e9tadonn\u00e9es EXIF de l\u2019image ; si besoin, utilisez gdal_copy<\/code> ou gdal_translate -co<\/code> pour ajouter infos.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>6) Ajouter GFPGAN (facultatif)<\/span><\/h2>\n\n\n\nSi la photo contient personnes \/ fa\u00e7ades ab\u00eem\u00e9es et vous voulez am\u00e9liorer localement les visages\/d\u00e9tails apr\u00e8s SR :<\/p>\n\n\n\n \nInstaller GFPGAN (ou t\u00e9l\u00e9charger l\u2019ex\u00e9cutable si dispo).<\/li>\n\n\n\n Lancer GFPGAN sur la sortie SR :<\/li>\n<\/ol>\n\n\n\ngfpgan.exe -i image_x4.png -o image_x4_gfpgan.png --upscale 1\n<\/code><\/pre>\n\n\n\n \n\n\n\n<\/span>Int\u00e9gration dans QGIS<\/strong><\/span><\/h2>\n\n\n\nIl existe trois m\u00e9thodes simples pour exploiter ESRGAN dans QGIS :<\/p>\n\n\n\n <\/span>1. Via le traitement Python (Processing Toolbox)<\/strong><\/span><\/h3>\n\n\n\nCr\u00e9er un script Python qui :<\/p>\n\n\n\n \nprend un raster en entr\u00e9e<\/li>\n\n\n\n lance ESRGAN<\/li>\n\n\n\n recharge automatiquement l\u2019image am\u00e9lior\u00e9e dans QGIS<\/li>\n<\/ul>\n\n\n\n<\/span>2. Via un plugin externe<\/strong><\/span><\/h3>\n\n\n\nCr\u00e9er un plugin personnel bas\u00e9 sur :<\/p>\n\n\n\n \nun bouton \u201cSuper-r\u00e9solution ESRGAN\u201d<\/li>\n\n\n\n une interface simple : mod\u00e8le, facteur \u00d72\/\u00d74, fichier d\u2019entr\u00e9e<\/li>\n<\/ul>\n\n\n\n<\/span>3. Via un workflow R\/W d\u2019images<\/strong><\/span><\/h3>\n\n\n\nUtiliser ESRGAN en pr\u00e9-traitement avant d’importer les images dans QGIS \u2192 id\u00e9al pour les orthophotos anciennes.<\/p>\n\n\n\n \n\n\n\n<\/span>Avantages<\/strong><\/span><\/h2>\n\n\n\n✔ Donne une nouvelle vie aux archives a\u00e9riennes ✔ Permet une analyse plus fine en t\u00e9l\u00e9d\u00e9tection ✔ Utile pour extraire les objets (b\u00e2timents, plages, ravines\u2026) ✔ Fonctionne avec des images tr\u00e8s d\u00e9grad\u00e9es ✔ \u00c9cosyst\u00e8me 100% open source<\/p>\n\n\n\n \n\n\n\n<\/span>Limites<\/strong><\/span><\/h2>\n\n\n\n⚠ ESRGAN ne devine<\/em> pas la r\u00e9alit\u00e9 : il reconstruit des d\u00e9tails plausibles<\/em>, pas garantis exacts.<\/p>\n\n\n\n ⚠ Risque d\u2019artefacts sur :<\/p>\n\n\n\n \nles bords tr\u00e8s contrast\u00e9s<\/li>\n\n\n\n les zones urbaines h\u00e9t\u00e9rog\u00e8nes<\/li>\n\n\n\n les ombres profondes<\/li>\n<\/ul>\n\n\n\n⚠ \u00c0 \u00e9viter pour :<\/p>\n\n\n\n \nla cartographie r\u00e9glementaire<\/li>\n\n\n\n les analyses cens\u00e9es refl\u00e9ter la r\u00e9alit\u00e9 au pixel pr\u00e8s<\/li>\n<\/ul>\n\n\n\nMais pour la cartographie exploratoire, la pr\u00e9paration de donn\u00e9es ou le travail patrimonial, c\u2019est un outil extr\u00eamement puissant.<\/p>\n\n\n\n \n\n\n\n<\/span>Vers un ESRGAN sp\u00e9cialis\u00e9 \u201cimages a\u00e9riennes\u201d ?<\/strong><\/span><\/h2>\n\n\n\nUne piste de recherche passionnante : entra\u00eener un ESRGAN sp\u00e9cifiquement sur :<\/p>\n\n\n\n \northophotos haute r\u00e9solution<\/li>\n\n\n\n images a\u00e9riennes actuelles (10\u201320 cm\/pixel)<\/li>\n\n\n\n textures naturelles tropicales, c\u00f4ti\u00e8res, ou agricoles<\/li>\n<\/ul>\n\n\n\nCela donnerait un mod\u00e8le parfaitement adapt\u00e9 aux scan d\u2019archives des ann\u00e9es 1960\u20131990.<\/p>\n\n\n\n \n\n\n\n<\/span>Conclusion<\/strong><\/span><\/h2>\n\n\n\nESRGAN transforme litt\u00e9ralement notre capacit\u00e9 \u00e0 exploiter les images a\u00e9riennes. Pour la premi\u00e8re fois, il est possible de redonner des d\u00e9tails<\/strong> \u00e0 des donn\u00e9es anciennes et d\u2019en faire des sources utilisables pour la g\u00e9omatique moderne.<\/p>\n\n\n\n L\u2019acc\u00e8s \u00e0 des mod\u00e8les open source et \u00e0 PyTorch ouvre la voie \u00e0 un nouvel \u00e9cosyst\u00e8me d\u2019outils libres\u2026 au service de l\u2019histoire, de l\u2019environnement et de la cartographie.<\/p>\n\n\n\n \n\n\n\n<\/p>\n","protected":false},"excerpt":{"rendered":" Les images a\u00e9riennes sont une mine d\u2019or : relev\u00e9s anciens, inventaires forestiers, suivis littoraux, plans cadastraux num\u00e9ris\u00e9s\u2026Mais elles souffrent souvent d\u2019un probl\u00e8me majeur : la faible r\u00e9solution. Flou, pixellisation, textures \u00e9cras\u00e9es, perte de d\u00e9tails\u2026 autant de…<\/p>\n","protected":false},"author":1,"featured_media":16065,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[3853,147,62],"tags":[3917,3869,58,3919],"class_list":["post-16062","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iafr","category-images","category-qgis-2","tag-esrgan","tag-ia","tag-qgis","tag-superresolution"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/11\/sr_batch-scaled.jpg?fit=2560%2C948&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-4b4","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16062","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=16062"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16062\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/16065"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=16062"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=16062"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=16062"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

<\/span>Comment fonctionne ESRGAN ? (en version simple)<\/strong><\/span><\/h2>\n\n\n\nESRGAN repose sur deux r\u00e9seaux neuronaux :<\/p>\n\n\n\n\nUn g\u00e9n\u00e9rateur<\/strong> qui tente de produire une version haute r\u00e9solution r\u00e9aliste.<\/li>\n\n\n\n