Cet article souligne que malgré les avancées de l'apprentissage profond dans le domaine de la super-résolution d'image unique (SISR), les recherches existantes se sont concentrées uniquement sur l'amélioration des performances et ont négligé la quantification de la transférabilité des modules. Nous introduisons le concept d'« universalité » et sa définition, étendant le concept existant de « généralisation » à la transférabilité des modules. Nous proposons également l'« équation d'évaluation de l'universalité » (UAE), une mesure qui quantifie la transférabilité des modules. Sur la base des résultats de l'UAE, nous concevons deux modules optimisés : le bloc résiduel de cycle (CRB) et le bloc résiduel de cycle spécifique à la profondeur (DCRB). Des expériences sur des benchmarks de scènes naturelles, des jeux de données de télédétection et d'autres tâches de bas niveau démontrent que le réseau équipé du module plug-and-play proposé surpasse plusieurs méthodes de pointe, atteignant jusqu'à 0,83 dB d'amélioration du PSNR, soit une réduction des paramètres de 71,3 %. En appliquant une approche d'optimisation similaire à divers modules de base, nous proposons un nouveau paradigme pour la conception de modules plug-and-play.
