شبكة الكثافة المتبقية لاستعادة الصور

حققت الشبكات العصبية المتلافهة (Convolutional Neural Network) مؤخرًا نجاحًا كبيرًا في استعادة الصور (IR) وأتاحت أيضًا ميزات هرمية. ومع ذلك، فإن معظم النماذج القائمة على الشبكات العصبية العميقة CNN في IR لا تستفيد بشكل كامل من الميزات الهرمية للصور ذات الجودة المنخفضة الأصلية، مما يؤدي إلى أداء نسبيًا منخفض. في هذا البحث، نقترح شبكة كثيفة بواقي جديدة (RDN) لمعالجة هذه المشكلة في IR. نستغل بشكل كامل الميزات الهرمية من جميع طبقات التلافيف. تحديدًا، نقترح كتلة كثيفة بواقي (RDB) لاستخراج ميزات محلية غنية عبر طبقات التلافيف الكثيفة. تسمح RDB أيضًا بالروابط المباشرة من حالة الكتلة السابقة إلى جميع طبقات الكتلة الحالية، مما يؤدي إلى آلية ذاكرة متصلة. لتحقيق تعلم أكثر فعالية للميزات المحلية السابقة والحالية وتحقيق الاستقرار أثناء تدريب الشبكة الأوسع، اقترحنا دمج الميزات المحلية داخل RDB. بعد الحصول الكامل على الميزات المحلية الكثيفة، نستخدم دمج الميزات العالمية لتعلم الميزات الهرمية العالمية بطريقة شاملة ومتكيفة. نوضح فعالية RDN من خلال عدة تطبيقات تمثلية لاستعادة الصور، مثل زيادة دقة الصورة الفردية، وإزالة الضوضاء من الصور ذات التوزيع الطبيعي (Gaussian Image Denoising)، وتقليل تشوهات ضغط الصور، وإزالة التشويش من الصور. تظهر التجارب على مجموعات البيانات المرجعية والعالمية أن شبكتنا RDN حققت أداءً مفضلًا مقابل أفضل الأساليب الحالية لكل مهمة IR بشكل كمي وبصري.