DeepLPF: مرشحات عميقة محلية معاملية لتحسين الصور

غالبًا ما يُحسّن الفنانون الرقميون الجودة الجمالية للصور الرقمية من خلال التصحيح اليدوي. إلى جانب التعديلات الشاملة، توفر برامج تحرير الصور الاحترافية أدوات تعديل محلية تعمل على أجزاء محددة من الصورة. تشمل هذه الخيارات أدوات بارامترية (مثل المرشحات المتدرجة والدوائرية) وأدوات فرشاة غير مقيدة. تمكّن هذه الأدوات المعبّرة بدرجة عالية من تنفيذ مجموعة متنوعة من تحسينات الصور المحلية. ومع ذلك، فإن استخدامها قد يكون مرهقًا من حيث الوقت، ويتطلب قدرة فنية. تتركز النهج الحديثة المتطورة لتحسين الصور تلقائيًا عادةً على تعلّم تحسينات على مستوى البكسل أو التحسينات الشاملة. أما التحسينات على مستوى البكسل، فغالبًا ما تكون مشوّشة وتفتقر إلى القدرة على التفسير، بينما قد تفشل التحسينات الشاملة في التقاط التعديلات الدقيقة. في هذه الورقة، نقدّم نهجًا جديدًا لتحسين الصور تلقائيًا باستخدام مرشحات موضعية مُتعلّمة من ثلاثة أنواع مختلفة (مرشح إهليلجي، مرشح متدرج، مرشح كثير الحدود). نُقدّم شبكة عصبية عميقة تُسمّى Deep Local Parametric Filters (DeepLPF)، والتي تُقدّر معلمات هذه المرشحات الموضعية، ثم تُطبّقها تلقائيًا لتحسين الصورة. تُوفّر DeepLPF شكلًا طبيعيًا للتنظيم النموذجي، وتمكّن من تعديلات قابلة للتفسير وواضحة، مما يؤدي إلى نتائج مرئية مرضية. نُقدّم نتائج على عدة معايير، ونُظهر أن DeepLPF تحقق أداءً من الدرجة الأولى في نسختين من مجموعة بيانات MIT-Adobe-5K، غالبًا باستخدام جزء ضئيل من عدد المعلمات المطلوبة في الطرق المنافسة.