شبكة الكثافة المتبقية لتحسين دقة الصور

حققت شبكة العصبونات المتشابكة ذات الطبقات العميقة جدًا (CNN) نجاحًا كبيرًا مؤخرًا في تحسين دقة الصور (SR) وقدمت ميزات هرمية أيضًا. ومع ذلك، فإن معظم النماذج القائمة على الشبكات العصبية المتشابكة العميقة (CNN) لا تستفيد بشكل كامل من الميزات الهرمية للصور الأصلية ذات الدقة المنخفضة (LR)، مما يؤدي إلى أداء نسبيًا منخفض. في هذا البحث، نقترح شبكة كثيفة جديدة للبقايا (RDN) لمعالجة هذه المشكلة في تحسين دقة الصور. نستغل تمامًا الميزات الهرمية من جميع طبقات التفتيش عن الحواف (convolutional layers). بصفة خاصة، نقترح كتلة كثيفة للبقايا (RDB) لاستخراج ميزات محلية غنية عبر طبقات التفتيش عن الحواف المتصلة بكثافة. يسمح RDB أيضًا بالروابط المباشرة من حالة الكتلة السابقة إلى جميع طبقات الكتلة الحالية، مما يؤدي إلى آلية ذاكرة متصلة (CM). يتم استخدام الاندماج المحلي للميزات في RDB لتعلم ميزات أكثر فعالية بشكل تكيفي من الميزات المحلية السابقة والحالية وتحقيق الاستقرار أثناء تدريب الشبكة الأوسع. بعد الحصول تمامًا على الميزات المحلية الكثيفة، نستخدم الاندماج العالمي للميزات لتعلم الميزات الهرمية العالمية بطريقة شاملة ومتكاملة. أظهرت التجارب الواسعة على قواعد البيانات المرجعية مع نماذج مختلفة للتدهور أن شبكتنا الكثيفة للبقايا (RDN) حققت أداءً مفضلًا مقابل أفضل الأساليب الحالية.