إزالة الانعكاسات من صورة واحدة من خلال التحسين المتسلسل

نُعالج مشكلة إزالة الانعكاسات غير المرغوب فيها من صورة واحدة تم التقاطها عبر سطح زجاجي، وهي مشكلة غير محددة بدقة، وصعبة، لكنها ذات أهمية عملية كبيرة في تحسين الصور. مستوحى من هيكل التقليل التكراري للهيكل المُخفي في الكشف عن المجتمعات المخفية ضمن الشبكات الاجتماعية، نقترح شبكة LSTM تكرارية مُحسَّنة بالتحويل التوافقي (IBCLN)، التي تُمكّن من التنبؤ المتسلسل لإزالة الانعكاسات. تُعد IBCLN شبكة متسلسلة تُحدّث باستمرار تقديرات طبقتي الانتقال والانعكاس بطريقة تُعزز جودة التنبؤ المتبادل بين الطبقتين، مع نقل المعلومات بين مراحل التسلسل باستخدام LSTM. والمضمون الأساسي هو أن طبقة الانتقال تمثل البنية القوية والرئيسية، بينما تمثل طبقة الانعكاس البنية الضعيفة والمخفية. ونظرًا لأن هاتين الطبقتين مكملتين لبعضهما البعض ضمن صورة واحدة، فإن تحسين التقدير وتقليل أحد الطبقتين من الصورة الأصلية يؤدي إلى تقدير أكثر دقة للطرف الآخر. ولتسهيل التدريب عبر عدة مراحل متسلسلة، نستخدم LSTM لمعالجة مشكلة تلاشي التدرج، ونُقدّم دالة خسارة إعادة بناء متبقية كدليل إضافي للتدريب. علاوةً على ذلك، نُنشئ مجموعة بيانات مكوّنة من صور واقعية تحتوي على انعكاسات وطبقات انتقال حقيقية (ground-truth) لتقليل مشكلة نقص البيانات. تُظهر التجارب الشاملة أن الطريقة المقترحة قادرة على إزالة الانعكاسات بشكل فعّال في الصور الواقعية والصورية مقارنةً بأفضل الطرق الحالية لإزالة الانعكاسات.