تعلم مُسبَق مُزيل الضوضاء العمق للشبكات العصبية المُؤلَّفة من طبقات متعددة لاستعادة الصور

تعد طرق التحسين القائمة على النماذج وطرق التعلم التمييزي الاستراتيجيتين الرئيسيتين لحل مختلف المسائل العكسية في الرؤية الأولية. عادةً، لكل من هاتين الطرق مزاياها وعيوبها الخاصة، فمثلاً، تتميز طرق التحسين القائمة على النماذج بالمرونة في التعامل مع المسائل العكسية المختلفة ولكنها غالبًا ما تكون بطيئة وتستغرق وقتًا طويلًا عند استخدام أولويات معقدة لتحقيق أداء جيد؛ وفي الوقت نفسه، تتميز طرق التعلم التمييزي بسرعة الاختبار لكن نطاق تطبيقها يقتصر بشكل كبير على المهام المتخصصة. كشفت الأعمال الحديثة أن تقنيات تقسيم المتغيرات يمكن أن تساعد في دمج أولوية إزالة الضوضاء كجزء قابل للتنقل من طرق التحسين القائمة على النماذج لحل مسائل عكسية أخرى (مثل إزالة التشويش). يؤدي هذا الدمج إلى مزايا كبيرة عندما يتم الحصول على أولوية إزالة الضوضاء عبر التعلم التمييزي. ومع ذلك، لا يزال هناك نقص في دراسة دمج أولوية إزالة الضوضاء السريعة والتمييزية. بهدف سد هذا الفجوة، يهدف هذا البحث إلى تدريب مجموعة من شبكات العصبونات الاصطناعية السريعة والفعالة (CNN) لإزالة الضوضاء ودمجها في طريقة التحسين القائمة على النماذج لحل مسائل عكسية أخرى. تظهر النتائج التجريبية أن المجموعة المُتعلَّمة من أدوات إزالة الضوضاء ليس فقط حققت نتائج واعدة في إزالة ضوضاء غاوس بل يمكن أيضًا استخدامها كأولوية لتقديم أداء جيد لمختلف التطبيقات المرتبطة بالرؤية الأولية.