تعديل استعادة الصور بمستويات مستمرة عبر طبقات تعديل الميزات التكيفية

في مهام استعادة الصور، مثل إزالة الضوضاء والحل الاضافي عالي الدقة (السوبر ريزولوشن)، يعد التحكم المستمر في مستويات الاستعادة من الأهمية البالغة للتطبيقات الحقيقية، لكنه فشل في معظم الأساليب القائمة على التعلم العميق لاستعادة الصور. نظراً لصعوبة تعميم النماذج العميقة التي تم تدريبها على مستويات استعادة متقطعة وثابتة إلى بيانات ذات مستويات مستمرة وغير معروفة. هذا الموضوع نادرًا ما يتم مناقشته في الأدبيات العلمية بسبب صعوبة ضبط النماذج المدربة جيدًا ببعض المعايير الفائقة (hyper-parameters). نتقدم خطوة للأمام من خلال اقتراح إطار عمل موحد لشبكات النيورونات المتلافهة (CNN) يحتوي على عدد قليل من المعلمات الإضافية أكثر من نموذج مستوى واحد ولكنه قادر على التعامل مع أي مستوى استعادة بين مستوى بداية ومستوى نهاية. يقوم الوحدة الإضافية، والتي تُعرف باسم طبقة AdaFM، بتعديل الخصائص حسب القناة ويمكنها أن تكيف النموذج إلى مستوى استعادة آخر بدقة عالية. عن طريق تعديل بسيط في معامل التداخل، يمكن للنموذج الوسيط - AdaFM-Net - إنتاج آثار استعادة سلسة ومستمرة دون تشوهات. أظهرت التجارب الشاملة على ثلاث مهام لاستعادة الصور فعالية كلٍ من تدريب النموذج واختبار الضبط. بالإضافة إلى ذلك، قمنا بدراسة دقيقة لخصائص طبقات AdaFM، مما يوفر دليلاً مفصلاً حول كيفية استخدام الطريقة المقترحة.