تحسين دقة الصورة باستخدام شبكات التنبؤ العكسي المستندة إلى الانتباه

أظهر التعلم العميق القائم على معالجة الصور ذات الدقة العالية (SR) تطورًا سريعًا بفضل قدرته على معالجة كميات كبيرة من البيانات. عادةً، يمكن للشبكات الأعمق والأعرض استخلاص خرائط ميزات أكثر غنىً وإنتاج صور ذات دقة عالية ذات جودة مميزة. ومع ذلك، كلما زادت تعقيد الشبكة، زاد الوقت المطلوب لتطبيقات عملية. ومن المهم تطوير شبكة مبسطة لتحقيق تحسين في معالجة الصور ذات الدقة العالية بكفاءة. في هذه الورقة، نقترح شبكة مبنية على الانتباه وآليّة التصحيح العكسي (ABPN) لتحسين دقة الصور. وبشكل مشابه لبعض الدراسات الحديثة، نعتقد أن آلية التصحيح العكسي يمكن تطويرها بشكل أكبر لتحسين دقة الصور. ونُقترح كتل تصحيح عكسي محسّنة لتحديث تراكمات الميزات منخفضة وعالية الدقة بشكل تكراري. مستوحى من الدراسات الحديثة حول نماذج الانتباه، نُقدّم كتلة انتباه مكاني (SAB) لتعلم الارتباط المتبادل بين الخصائص عبر طبقات مختلفة. وبافتراض أن الصورة ذات الدقة العالية الجيدة يجب أن تكون قريبة من الصورة الأصلية منخفضة الدقة بعد التناقص، نُقترح كتلة تصحيح عكسي مُعدّلة (RBPB) لإجراء إعادة بناء نهائية. أظهرت تجارب واسعة على بعض مجموعات البيانات العامة وتحدي AIM2019 لتحسين دقة الصور أن الشبكة المقترحة ABPN تحقق أداءً من الدرجة الأولى أو حتى أفضل من حيث المقاييس الكمية والكيفية.