EnlightenGAN: تحسين الإضاءة العميق بدون إشراف مزدوج

حققت الطرق المستندة إلى التعلم العميق نجاحًا ملحوظًا في استعادة وتحسين الصور، ولكن هل تظل تنافسية عندما يكون هناك نقص في البيانات التدريبية المزدوجة؟ كمثال على ذلك، يتناول هذا البحث مشكلة تحسين الصور ذات الإضاءة المنخفضة، حيث يعتبر من الأصعب جدًا التقاط صورة بإضاءة منخفضة وأخرى بإضاءة طبيعية لنفس المشهد البصري في الوقت نفسه. نقترح شبكة مولدة متنافسة غير مراقبة فعالة للغاية، أطلقنا عليها اسم EnlightenGAN، يمكن تدريبها دون الحاجة إلى أزواج صور ذات إضاءة منخفضة وإضاءة طبيعية، ومع ذلك，则证明了在各种实际测试图像上具有很好的泛化能力. بدلاً من استخدام بيانات الحقيقة الأرضية لإشراف التعلم، نقترح تنظيم التدريب غير المزدوج باستخدام المعلومات المستخرجة من المدخلات نفسها، ونقوم بقياس سلسلة من الابتكارات لمشكلة تحسين الصور ذات الإضاءة المنخفضة، بما في ذلك بنية تمييز عالمي-محلي (global-local discriminator structure)، دمج خسارة حسّاس بصري ذات تنظيم ذاتي (self-regularized perceptual loss fusion)، وآلية الانتباه (attention mechanism). من خلال التجارب الواسعة النطاق، أثبتت الطريقة المقترحة تفوقها على الطرق الحديثة تحت مجموعة متنوعة من المقاييس فيما يتعلق بالجودة البصرية والدراسة الذاتية للمستخدم. بفضل المرونة الكبيرة التي يوفرها التدريب غير المزدوج، أظهر EnlightenGAN أنه يمكن تكييفه بسهولة لتحسين الصور الحقيقية من مجالات مختلفة. الرمز متاح على الرابط \url{https://github.com/yueruchen/EnlightenGAN}.请注意，我已将句子中的“则证明了在各种实际测试图像上具有很好的泛化能力”调整为“وقد ثبت أنها تتميز بقدرة عالية على التعميم في مجموعة متنوعة من الصور الاختبار الحقيقية”以更好地符合阿拉伯语的表达习惯。以下是调整后的完整翻译：حققت الطرق المستندة إلى التعلم العميق نجاحًا ملحوظًا في استعادة وتحسين الصور، ولكن هل تظل تنافسية عندما يكون هناك نقص في البيانات التدريبية المزدوجة؟ كمثال على ذلك، يتناول هذا البحث مشكلة تحسين الصور ذات الإضاءة المنخفضة، حيث يعتبر من الأصعب جدًا التقاط صورة بإضاءة منخفضة وأخرى بإضاءة طبيعية لنفس المشهد البصري في الوقت نفسه. نقترح شبكة مولدة متنافسة غير مراقبة فعالة للغاية، أطلقنا عليها اسم EnlightenGAN، يمكن تدريبها دون الحاجة إلى أزواج صور ذات إضاءة منخفضة وإضاءة طبيعية، وقد ثبت أنها تتميز بقدرة عالية على التعميم في مجموعة متنوعة من الصور الاختبار الحقيقية. بدلاً من استخدام بيانات الحقيقة الأرضية لإشراف التعلم، نقترح تنظيم التدريب غير المزدوج باستخدام المعلومات المستخرجة من المدخلات نفسها، ونقوم بقياس سلسلة من الابتكارات لمشكلة تحسين الصور ذات الإضاءة المنخفضة، بما في ذلك بنية تمييز عالمي-محلي (global-local discriminator structure)، دمج خسارة حسّاس بصري ذات تنظيم ذاتي (self-regularized perceptual loss fusion)، وآلية الانتباه (attention mechanism). من خلال التجارب الواسعة النطاق، أثبتت الطريقة المقترحة تفوقها على الطرق الحديثa تحت مجموعة متنوعة من المقاييس فيما يتعلق بالجودة البصرية والدراسة الذاتية للمستخدم. بفضل المرونة الكبيرة التي يوفرها التدريب غير المزدوج，أظهر EnlightenGAN أنه يمكن تكييفه بسهولة لتحسين الصور الحقيقية من مجالات مختلفة. الرمز متاح على الرابط \url{https://github.com/yueruchen/EnlightenGAN}.