إعادة ترميم الصور باستخدام الشبكات العصبية التلافيفية المنظمة العميقة

بينما حظيت عمق الشبكات العصبية التلافيفية باهتمام كبير في أبحاث التعلم العميق، فقد اكتسب عرض هذه الشبكات اهتمامًا متزايدًا مؤخرًا. يُعرّف عرض الشبكات بحجم مجال الاستقبال وكثافة القنوات، وقد أظهر هذا العرض أهمية حاسمة في المهام البصرية منخفضة المستوى مثل إزالة الضوضاء من الصور وإعادة التكوين. ومع ذلك، فإن القدرة المحدودة على التعميم الناتجة عن زيادة عرض الشبكات تُشكل عقبة في تصميم شبكات أوسع. في هذه الورقة، نقترح شبكة تلافيفية عميقة مُنظَّمة (RC-Net)، وهي شبكة عميقة مكوّنة من كتل فرعية منظمة متسلسلة عبر اتصالات تخطّية (skip-connections)، لتجاوز هذه العقبة. وبشكل خاص، يتميز بلوك التلافيف المُنظَّم (RC-block) بدمج مرشحات تلافيفية كبيرة وصغيرة، مما يوازن بين كفاءة استخلاص السمات البارزة وقدرة الشبكة على التعميم. تتميز شبكات RC-Nets بعدة مزايا جذابة: فهي تمتص سمات متنوعة من خلال مزيج المرشحات الكبيرة والصغيرة، وتخفف من حدود الضبابية والتفاصيل الضبابية في مشكلات إزالة الضوضاء من الصور وتحسين الدقة (super-resolution)، كما تُثبّت عملية التعلّم. وقد أظهرت شبكات RC-Nets أداءً أفضل بوضوح مقارنة بالطرق الحالية في مختلف مهام إعادة تكوين الصور، مع إظهار قدرة تعميم واعدة. يُمكن الوصول إلى الكود عبر الرابط: https://github.com/cswin/RC-Nets.