الاستكمال العالي الدقة للصورة باستخدام التغذية الراجعة التقديرية التكرارية والترقية الموجهة

تُنتج طرق الترميم الصوري الحالية غالبًا عيوبًا (artifacts) عند التعامل مع فجوات كبيرة في التطبيقات الحقيقية. ولحل هذه التحديات، نقترح طريقة ترميم تكرارية تستخدم آلية تغذية راجعة. وبشكل محدد، نقدم نموذجًا توليديًا عميقًا لا يُخرِج فقط نتيجة ترميم، بل أيضًا خريطة ثقة مُقابلة. وباستخدام هذه الخريطة كمُدخل تغذية راجعة، يملأ الفجوة تدريجيًا من خلال الثقة فقط بالبكسلات ذات الثقة العالية داخل الفجوة في كل تكرار، ويُركّز على البكسلات المتبقية في التكرار التالي. وبما أن هذه العملية تُعيد استخدام التنبؤات الجزئية من التكرارات السابقة كبكسلات معروفة، فإن النتيجة تتحسن تدريجيًا. علاوةً على ذلك، نقترح شبكة تكبير مُرشدة تُمكّن من إنتاج نتائج ترميم عالية الدقة، وذلك عن طريق توسيع وحدة الانتباه السياقي لاستعارة قطع مميزة عالية الدقة من الصورة المدخلة. بالإضافة إلى ذلك، ولمحاكاة سيناريوهات إزالة الأجسام الحقيقية، جمعنا مجموعة بيانات كبيرة من الأقنعة الخاصة بالأجسام، ونسختنا بيانات تدريب أكثر واقعية تُحاكي مدخلات المستخدم بشكل أفضل. تُظهر التجارب أن طريقة الترميم المقترحة تتفوّق بشكل ملحوظ على الطرق الحالية في التقييمات الكمية والكيفية. لمزيد من النتائج والوصول إلى التطبيق على الويب، يُرجى زيارة: https://zengxianyu.github.io/iic.