الترميز المتكرر لتحسين دقة الفيديو

التطورات الحديثة في تقنية زيادة دقة الفيديو أظهرت أن شبكات العصب الاصطناعية المتلافهة مدمجة مع تعويض الحركة قادرة على دمج المعلومات من عدة إطارات ذات دقة منخفضة (LR) لإنتاج صور عالية الجودة. الأساليب الرائدة حاليًا تتعامل مع مجموعة من الإطارات ذات الدقة المنخفضة لإنشاء إطار واحد ذو دقة عالية (HR) وتقوم بتشغيل هذا النظام بطريقة نافذة متزحلقة على كامل الفيديو، مما يجعل المشكلة تُعالج كعدد كبير من مهام زيادة الدقة متعددة الإطارات بشكل منفصل. يعاني هذا النهج من ضعفين رئيسيين: 1) يتم معالجة وتشويه كل إطار مدخل عدة مرات، مما يزيد التكلفة الحسابية، و2) يتم تقدير كل إطار خرج بشكل مستقل بناءً على الإطارات المدخلة، مما يحد من قدرة النظام على إنتاج نتائج زمنية متسقة.في هذا البحث، نقترح إطار عمل قابل للتدريب من البداية إلى النهاية لزيادة دقة الفيديو بطريقة متكررة بين الإطارات يستخدم التقدير السابق ذو الدقة العالية لزيادة دقة الإطار التالي. هذا يشجع بشكل طبيعي على تحقيق نتائج زمنية متسقة ويقلل التكلفة الحسابية عن طريق تشويه صورة واحدة فقط في كل خطوة. بالإضافة إلى ذلك، بفضل طبيعته المتكررة، فإن الطريقة المقترحة لديها القدرة على استيعاب عدد كبير من الإطارات السابقة دون زيادة متطلبات الحساب. تم التحقق من قوة نهجنا وإثبات تفوقه بشكل كبير على الأداء الحالي للتقنية الرائدة من خلال تقييمات ومقارنات واسعة النطاق مع الطرق السابقة.