صورة فائقة الدقة عبر RL-CSC: عندما يلتقي التعلم المتبقي مع الترميز النادر الإقليمي

نقترح نموذجًا بسيطًا ومعتمدًا لتعزيز دقة الصور الفردية (SISR)، من خلال الجمع بين مزايا التعلم المتبقي وترميز الندرة الإقليمي (RL-CSC). يلهم نموذجنا خوارزمية التقلص والعتبة التكرارية المُتعلمة (LISTA). نوسع نطاق LISTA إلى إصدارها الإقليمي ونبني الجزء الرئيسي من نموذجنا بالالتزام الصارم بالشكل الإقليمي، مما يحسن قابلية تفسير الشبكة. بشكل خاص، يتم تعلم ترميزات الندرة الإقليمية لخرائط الميزات الدخلية بطريقة متكررة، ويمكن استعادة المعلومات ذات التردد العالي من هذه الترميزات (CSCs). وأكثر أهمية من ذلك، يتم تطبيق التعلم المتبقي لتخفيف صعوبة التدريب عندما تصبح الشبكة أعمق. أظهرت التجارب الواسعة على مجموعات البيانات المرجعية فعالية طريقتنا. يتفوق RL-CSC (30 طبقة) على العديد من التقنيات الحديثة التي تعتبر أفضل ما تم الوصول إليه، مثل DRRN (52 طبقة) وMemNet (80 طبقة) في كلٍ من الدقة وجودة العرض البصري. يمكن الحصول على الأكواد والمزيد من النتائج من https://github.com/axzml/RL-CSC.