إزالة الضبابية العميقة المتسلسلة للفيديو باستخدام سابقة الحدة الزمنية

نقدم نموذجًا بسيطًا وفعالًا لشبكة عصبية متعددة الطبقات مبنية على التحويل التوافقي العميق (CNN) لمعالجة تشويش الفيديو. يتكوّن الخوارزمية المقترحة بشكل رئيسي من خطوتين: تقدير التدفق البصري من الإطارات المخفية الوسطى، وخطوة استعادة هذه الإطارات المخفية. تبدأ الخوارزمية بتطوير نموذج CNN عميق لتقدير التدفق البصري من الإطارات المخفية الوسطى، ثم تقوم باستعادة هذه الإطارات بناءً على التدفق البصري المقدّر. ولتحسين استغلال المعلومات الزمنية من الفيديو، نطوّر ما يُعرف بـ "الشرط الحاد الزمني" (temporal sharpness prior) لتحديد حدود النموذج العصبي العميق، مما يسهم في تحسين عملية استعادة الإطارات المخفية. كما نطوّر نهجًا تدريجيًا فعّالًا للتدريب، ويتم تدريب النموذج المقترح بشكل متكامل ونهائي (end-to-end) بشكل مشترك. ونُظهر أن استغلال المعرفة الخاصة بمجال تشويش الفيديو يمكن أن يجعل النموذج العصبي العميق أكثر كفاءة وانسيابية. وتشير النتائج التجريبية الواسعة إلى أن الخوارزمية المقترحة تتفوّق على الطرق الحديثة المتقدمة في مجموعات البيانات القياسية، وكذلك في الفيديوهات الواقعية.